User Session-Based Test Case Generation and Optimization Using Genetic Algorithm

An approach to generating and optimizing test cases is proposed for Web application testing based on user sessions using genetic algorithm. A large volume of meaningful user sessions are obtained after purging their irrelevant information by analyzing user logs on the Web server. Most of the redundant user sessions are also removed by the reduction process. For test reuse and test concurrency, it divides the user sessions obtained into different groups, each of which is called a test suite, and then prioritizes the test suites and the test cases of each test suite. So, the initial test suites and test cases, and their initial executing sequences are achieved. However, the test scheme generated by the elementary prioritization is not much approximate to the best one. Therefore, genetic algorithm is employed to optimize the results of grouping and prioritization. Meanwhile, an approach to generating new test cases is presented using crossover. The new test cases can detect faults caused by the use of possible conflicting data shared by different users.

基于Session的Web应用软件EFSM模型构建方法研究

在Web应用软件模型表示研究领域中,研究对象主要为不含Ajax技术的应用程序。少数针对Ajax(Asynchronous JavaScript and XML)的模型构建采用传统的FSM模型表示方法,并不能描述客户端消息触发后的参数传递问题;在FSM模型的基础上引入UML分层模型的表示方法因需要人工干预,不利于测试用例的自动生成。针对上述问题,借鉴EFSM模型这一重要的软件描述模型,从用户的Session数据出发,通过日志数据分析用户的行为,并记录客户端的操作事件。通过对用户行为和客户端操作事件进行匹配,生成完整的用户会话,从而建立EFSM模型。实验结果表明,该EFSM模型能够有效地表示Web应用程序的状态以及状态的变化情况,并可以有效地为测试用例自动生成服务。

基于序列交叉融合的多行为会话推荐模型

现有多行为会话推荐研究将会话的微行为序列拆分为物品序列和操作序列以捕获用户兴趣偏好,但未考虑两个序列的交叉影响,导致用户兴趣建模存在偏差,限制了模型性能。针对上述问题,提出一种基于序列交叉融合的多行为会话推荐模型。利用提出的序列交叉融合模块,充分交叉融合物品序列和操作序列各自的兴趣信息。设计基于兴趣相似物品的标签平滑损失函数,将与样本标签物品具有相似兴趣的物品也推荐给用户,提升模型泛化能力。在3个公开数据集上的大量实验验证了该模型性能优于基准模型。

融合BiGRU和记忆网络的会话推荐算法

为消除噪声、充分使用邻域信息并考虑用户动态兴趣,提出一种融合BiGRU和记忆网络的会话推荐模型。使用BiGRU捕获会话总体特征,使用另一个加入缩放点积自注意力的BiGRU消除噪声项的干扰并捕获细粒度的用户兴趣,使用记忆网络通过邻域会话信息预测当前的会话意图,改进融合选通门进行特征融合并计算每个候选项的推荐分数。通过在两个数据集上的实验,验证了该模型能够准确预测用户意图,提高推荐效果。

基于双重注意力机制的图神经网络模型的会话推荐

针对会话推荐场景,同一个会话中的用户行为具有内在联系。将用户会话行为的上下文信息引入会话,并对会话中的行为建模;同时导入注意力机制,构建基于双重注意力机制的会话推荐模型,从多维视角去提取用户会话数据中可能隐含的潜在用户长期喜好与短期兴趣信息。该双重注意力机制可通过给用户不同的输入行为数据赋予不同的权重,从而达到对当前推荐任务关键信息的聚合,提升推荐效果和用户体验。所构建的模型在两个公开数据集上分别进行了实验,与基准模型相比较,该模型在各评价指数上都有所提高,证明了模型的有效性。

融合对比学习的图神经网络会话推荐模型

针对现有会话推荐方法难以从携带噪声的匿名会话序列中精确获取用户偏好的挑战,提出融合对比学习的图神经网络会话推荐模型。首先,将全部会话数据构建为图,通过图神经网络聚合图上物品信息获取节点局部嵌入表示;其次,利用含有噪声滤除器的注意力机制显示地过滤掉不重要的节点表征,得到去噪增强的全局嵌入表示;同时引入对比学习技术设置优化策略指导模型进行去噪学习;最后,采用门控机制为局部和全局表征自适应分配权重,并对其进行加权求和得到用户会话表示,通过预测层生成推荐列表,并在Diginetica和Tmall共2个公开基准数据集上进行实验测试。结果证明所提模型相较于其他基线模型推荐效果明显提升,其中与基于会话推荐的自监督超图卷积网络(S2-DHCN)相比,Tmall上MRR@20提高5.4%,性能显著提高。

基于注意力机制和用户行为序列的推荐模型研究

现有多数推荐方法主要根据用户在会话期间点击的物品信息为用户推荐所需信息,但用户的兴趣在不同的时间会发生变化,因此很难从用户会话所点击的项目中获得用户的准确信息。为此,文中提出一种结合自我注意力网络(SAN)和循环神经网络中的门控循环单元(GRU)的SAN-GRU混合推荐模型,以预测用户的真实意图。首先,使用多层自我注意网络捕获会话中用户-物品之间交互的全局依赖,从而获取用户行为序列中的用户长期偏好,并采用GRU隐藏层的最后一个隐藏状态来表示用户在当前会话中的短期兴趣;其次,将长期兴趣和短期兴趣进行线性结合以获得会话最后的表示,来预测下一个项目被点击的概率。为验证所提方法的有效性,选取Yoochoose和Diginetica两个公开标准数据集,与基于会话的递归神经网络推荐模型(GRU4REC)等基线方法进行实验对比。结果表明,相较于基于会话推荐的短期注意力/记忆优先级模型(STAMP),SAN-GRU混合推荐模型在Yoochoose 1 64数据集下的召回率提升6.8%,在Yoochoose 1 4数据集下的召回率和排名倒数的平均值分别提升1.6%和9.3%。

Web日志挖掘中的数据预处理技术

数据预处理是Web日志挖掘中的重要步骤,一般分为数据清理、用户识别、会话识别和路径补充。为消除代理服务器、防火墙和本地缓存对Web日志带来的影响,采用基于引用的分析方法完成用户会话识别和路径补充。实验结果表明,在Web访问日志中的记录引用信息较完整的情况下,该方法可以高效地获得用户的访问路径。

一种基于会话聚类算法的Web使用挖掘方法

Web使用挖掘作为数据挖掘的一个重要任务,有助于了解用户群体的特征,从而为其提供个性化服务.提出了一种基于用户会话聚类的Web使用挖掘算法.首先,对Web日志预处理采用基于时间窗的用户会话识别方法,提出了一种基于三元组的用户会话表示方法,并在此基础上给出了基于网页语义相似性的会话处理方法,该方法能够在保持用户兴趣不变的情况下有效降低会话维度;其次,提出了一种基于时间及频次的用户会话相似性度量方法;最后,设计了一种两阶段PS-KM会话聚类算法,先用PSO方法进行全局搜索再转入基于K-means方法的局部聚类过程.仿真表明了算法的有效性.

基于Web日志的匿名网络用户聚类研究

该文探讨了从Web日志中提取匿名网络用户会话信息的方法以及会话向量的表述形式,并利用网页的层次性减少会话向量的维数,确定了用户会话之间的相似度的计算公式,最后采用leader层次聚类算法完成匿名网络用户会话聚类。实验结果表明,这种方法是高效可行的,可以较好地解决扩展性和动态聚类等问题。

一种新的Web用户群体和URL聚类算法的研究

提出一个基于Web日志的Web用户群体和站点URL聚类算法.使用用户浏览行为描述和用户浏览时间离散化方法建立了Web站点的用户事务矩阵,并在此基础上对Web用户群体和站点URL进行聚类.由于在聚类过程中同时考虑了用户对URL的浏览时间和访问次数,使算法的精度和效率都大大提高.同时,该算法能较好地处理类间重叠问题,使算法具有较好的实用性.最后对算法的有效性和可伸缩性进行了研究.

一种基于ExLF日志文件的用户会话识别启发式算法

在详细介绍ExLF日志文件格式的基础上,定义了会话表;阐述了用户会话识别图的概念;给出了生成此会话识别图的一种启发式算法。最后,用一个例子验证了算法的有效性。

Web访问挖掘的预处理技术的研究

Web日志挖掘就是运用数据挖掘技术从Web日志中发现和抽取信息的过程。数据预处理是Web日志挖掘的一个关键环节。对数据预处理的各个环节进行研究,并介绍各个环节中的一些特殊处理方法,根据对Web服务期日志数据格式的分析,对会话概念进行了形式化描述,然后在分析目前会话构造算法的基础上,提出了基于时间和引用的启发式方法来构造会话。

基于概念分析的用户会话约减技术研究

基于用户会话的测试技术依赖于收集的用户会话数据集,数据集规模越大,测试效力就越强,但用于收集、储存和分析数据的成本也会迅速增加。该文提出一种在Web应用测试中对用户会话数据集进行约减的方法。运用概念分析技术聚类用户会话,从中选取数据,再利用增量式的概念分析算法更新数据集。设计一个试验原型框架用于评估新方法的实际效果。

Web使用挖掘中数据预处理过程研究

Web使用挖掘是将数据挖掘技术应用于用户浏览Web时交互作用的二次数据以发现使用模式,从而达到更好地理解和服务基于Web应用的需要的目的。在将数据挖掘算法应用于从服务器日志收集来的数据之前必须要进行一些预处理工作。数据预处理就是把源数据转换为下一步应用数据挖掘算法所必须的数据抽象的过程。作为模式发现的数据源,数据预处理结果的质量直接影响着模式发现的最终结果。本文提出了几种可用于提高数据预处理性能的技术和方法。实验证明,这些技术和方法是有效的。最后,总结全文并提出了进一步的研究方向。

基于全序列比对相似度的用户会话自动谱聚类

针对现有个性化推荐服务系统中用户会话聚类算法存在相似性度量准确性低和需要事先确定聚类数目的问题,对序化的用户访问页面和对应的访问时间信息进行整合,提出一种基于动态规划算法的全序列比对方法来度量用户会话的相似性。在此基础上,运用改进的NJW谱聚类算法对用户会话进行自动谱聚类。实验结果表明,算法充分考虑了用户会话的整体特征和局部信息,较相关比对算法具有更高的聚类性能,可以提高网站个性化推荐服务的效率。

普适计算中匿名跨域认证协议的分析与改进

文章分析了一个普适计算中的匿名跨域认证协议的安全缺陷,指出该方案易遭受假冒攻击、内部攻击、会话密钥泄漏攻击,无法实现前向安全性及不正确的口令更新。提出了一个改进方案实现普适计算中的匿名跨域认证。与原方案相比,改进方案的先进性主要体现在两方面:克服了原协议的安全缺陷;改进方案的计算量很小,更适于普适计算中应用。

查询推荐研究综述

查询推荐是一种提高用户搜索效率的重要技术,其核心任务是帮助用户构造有效查询并以此准确描述用户信息需求。作为当今搜索引擎的核心技术之一,查询推荐吸引了学术界和工业界的广泛关注,一直以来都是信息检索领域中重要的研究主题。本文以国内外会议、期刊发表的有关查询推荐研究的文献为对象,利用归纳总结方法,首先详细梳理了查询推荐中主流方法——基于简单共现信息的方法、基于图模型的方法以及融合多种信息的方法,然后总结评述了评测方法与指标,最后分析了未来可能的研究方向。

基于时空循环神经网络的下一个兴趣点推荐方法

下一个兴趣点推荐已经成为基于位置的社交网络(location-based social networks,LBSNs)中一个重要任务。现有的模型没有深入考虑相邻签到兴趣点之间的转移时空信息,无法对用户访问下一个兴趣点的长短时间偏好和远近距离偏好进行有效建模。本文通过对循环神经网络(recurrent neural network,RNN)进行扩展,提出一个新的基于会话的时空循环神经网络模型(sesson-based spatial-temporal recurrent neural network,SSTRNN)用于下一个兴趣点推荐。该模型通过设置时间转移矩阵和空间转移矩阵分别对用户的时间和空间偏好信息进行建模,综合考虑连续签到兴趣点的序列信息、时空信息以及用户偏好进行下一个兴趣点推荐。通过在2个真实公开的数据集上进行实验,结果显示本文提出的SST-RNN模型的推荐效果比主流的推荐模型有显著提升。在Foursquare和CA数据集上,ACC@5评价指标分别提升了36.38%和13.81%,MAP评价指标分别提升了30.72%和17.26%。

Web日志数据挖掘中数据预处理模型的研究与建立

数据的质量直的好坏接关系到数据挖掘的结果,因此数据预处理是Web日志数据挖掘首要的步骤,基于前期提出的几种数据预处理方法,提出了通用的Web日志挖掘的数据预处理模型,将Web日志数据的预处理分为5个步骤:数据清理、用户标识、会话标识、路径补充和格式化,并结合旅游网站进行了实例验证。证明该数据预处理模型是完全可行,并且具有良好的通用性和可扩展性。