基于特征的领域体系结构设计与应用

研究了基于特征的领域体系结构分析和设计过程,定义了各阶段的活动和产品,包括在分析阶段建立用例模型、特征模型和分析级对象模型,在设计阶段建立分层领域体系结构.探讨了特征模型在领域体系设计中的地位和作用,详细介绍了特征模型的分类和基本结构.将该方法应用在集团化企业物流领域中采购计划子系统的领域体系结构构建中,提出了以领域体系结构层次为基础,从特征模型和分析级对象模型中获取领域构件的映射规则,以更好地获取领域构件.     

基于领域语义的分层Web服务组装方法

通过描述Web服务的领域特征,开发者可以复用领域模型进行Web服务的组装.如何从抽象的领域模型中得到具体的服务组装模型成为当前研究的热点之一.本文提出一种基于领域语义的、在逻辑和物理两个层次进行Web服务组装的方法在逻辑层次上,把领域模型转化成由通用服务构成的通用服务组装模型;在物理层次上,完成从抽象的通用服务组装模型到具体的组装实现模型的转化.该方法使得两个层次的细化分工明确,充分体现了复用的思想,也使Web服务组装更加有效.     

基于特征模型和构件语义的概念体系结构设计

特定领域软件体系结构(domain-specific software architecture,简称DSSA)是特定领域开发中的重要资产,而基于特征的领域模型使得从领域需求到DSSA的映射成为可能.引入本体作为特征模型的描述基础,通过该方法得到的领域特征本体将同时作为领域内业务构件的语义描述基础存在.在此基础上,提出了基于特征模型和构件语义的概念体系结构设计方法.该方法综合考虑了特征模型中的共性、可变性、绑定时间以及结构关系、依赖关系等对DSSA设计的影响,同时以构件语义作为特征到概念构件设计的过渡.相关方法已经实现为基于本体的特征建模工具和基于特征模型的体系结构设计工具,为特征驱动的领域开发提供了有力的支持.     

基于领域模型的需求获取方法*

运用领域工程的思想,提出了基于领域模型的系统需求获取方法。该方法可识别应用系统中的共同特征,并抽象这些特征形成领域模型。通过领域模型,引导用户给出完整的系统需求。     

面向服务的领域需求分析方法及模型研究

面向特征方法是当前进行领域分析的基本方法,但是由于特征的抽象性,使得用面向特征方法所生成的领域模型在领域需求描述和向领域设计、领域实现的转换方面略显不足.提出了面向服务的领域需求分析方法,将Web服务结合到领域分析过程中,通过分析不同的领域需求来源,形成共性和个性领域服务,并以领域服务为中心构建领域需求模型,并在公共出行信息服务系统中进行应用.     

一种面向特征的领域模型及其建模过程

特征模型作为捕获领域需求的重要模型已被现阶段的主流领域工程方法所接受,但这些方法缺乏对特征模型组织框架的细致研究和说明,在一定程度上导致了特征模型在表现形式上的冗余性和混乱性,也使得领域分析人员在实践中很难有效地进行领域建模活动.从特征模型的基本组织结构、变化性的表现方式和限制机制、变化性的绑定时间等方面对特征模型的组织框架及剪裁机制进行了统一、抽象的描述.在考察服务、用例(use case)、功能、行为特点等不同类型的特征及其相互关系的基础上,给出了一种特征模型的具体形式,并结合具体的领域,对其建模过程进行了详细论述.此项研究对于领域建模活动的成功实施具有一定的指导作用.     

基于FODA的领域分析方法

面向特征的领域分析(FODA)方法为领域分析定义了具体的过程和阶段,具有较强的操作性.本文结合面向对象领域建模和面向特征的领域分析方法.以设施预定管理软件产品家族为例,讨论了面向特征的领域分析的过程.通过领域用例模型和特征模型来描述领域共性和变化性,建立领域分析模型,实现需求的复用.     

具有层次结构的正交变化模型的研究

目前的正交变化模型存在对变化点和变体的定义不准确、无法描述复杂的层次结构关系以及无法自动地辨识领域中的共性和可变性的缺点.针对这些不足进行研究,通过从时间和空间的角度去重新明确地定义变化点和变体之间的关系,提出一种具有层次结构的正交变化模型.该模型具有良好的层次结构扩展能力,能够应对复杂的变化性描述,并且通过该模型可以明确地辨识出领域中具有共性和可变性的部分,使自动计算成为可能.具有层次结构的正交变化模型为领域中相关计算提供了基础,与以往的正交变化模型比较,更接近变化性描述具有复杂性这一实际情况,因此具有更实际的使用价值.     

特征建模方法研究

在领域工程中,特征模型描述了领域需求之间的关系,在共性和特性之间进行区别,在复杂软件系统设计和实现中扮演了重要的角色.介绍了特征建模方法的起源和发展,分析和比较了两种典型的特征定义,从特征模型体系结构,特征模型的表现、特征变化性和组合规则、特征建模工具和特征模型的应用等方面阐述了特征建模领域的若干研究活动,介绍了特征建模方法的主要研究现状以及研究方向.     

基于描述逻辑的特征语义建模及验证

在软件产品线方法中,特征模型已被广泛用于获取领域需求以支持软件复用.但在一定程度上,各种方法对刻画特征模型以及特征之间约束关系存在语义上的冗余和混乱,不能有效对特征模型进行验证,也限制各种不同特征建模方法之间特征信息的共享.采用描述逻辑刻画了特征模型中的特征类、特征间关系与约束等方面,定义了特征间互斥、需要等约束的规则集合,用于对知识库中的语义特征模型实例进行一致性、完整性验证.并结合一个具体领域,对基于描述逻辑的特征建模及推理验证进行了详细论述.此研究对于领域特征模型的语义建模与验证、支持领域模型共享具有一定的指导作用.     

Feature-Oriented Nonfunctional Requirement Analysis for Software Product Line

Domain analysis in software product line (SPL) development provides a basis for core assets design and implementation by a systematic and comprehensive commonality/variability analysis. In feature-oriented SPL methods, products of the domain analysis are domain feature models and corresponding feature decision models to facilitate application-oriented customization. As in requirement analysis for a single system, the domain analysis in the SPL development should consider both functional and nonfunctional domain requirements. However, the nonfunctional requirements (NFRs) are often neglected in the existing domain analysis methods. In this paper, we propose a context-based method of the NFR analysis for the SPL development. In the method, NFRs are materialized by connecting nonfunctional goals with real-world context, thus NFR elicitation and variability analysis can be performed by context analysis for the whole domain with the assistance of NFR templates and NFR graphs. After the variability analysis, our method integrates both functional and nonfunctional perspectives by incorporating the nonfunctional goals and operationalizations into an initial functional feature model. NFR-related constraints are also elicited and integrated. Finally, a decision model with both functional and nonfunctional perspectives is constructed to facilitate application-oriented feature model customization. A computer-aided grading system (CAGS) product line is employed to demonstrate the method throughout the paper. This work is supported by the National Natural Science Foundation of China under Grant Nos. 60703092 and 90818009, the National High Technology Research and Development 863 Program of China under Grant No. 2007AA01Z125.     

Domain-specific feature elimination: multi-source domain adaptation for image classification

Multi-source domain adaptation utilizes multiple source domains to learn the knowledge and transfers it to an unlabeled target domain. To address the problem, most of the existing methods aim to minimize the domain shift by auxiliary distribution alignment objectives, which reduces the effect of domain-specific features. However, without explicitly modeling the domain-specific features, it is not easy to guarantee that the domain-invariant representation extracted from input domains contains domain-specific information as few as possible. In this work, we present a different perspective on MSDA, which employs the idea of feature elimination to reduce the influence of domain-specific features. We design two different ways to extract domain-specific features and total features and construct the domain-invariant representations by eliminating the domain-specific features from total features. The experimental results on different domain adaptation datasets demonstrate the effectiveness of our method and the generalization ability of our model.     

基于神经网络纠正器的领域分词方法

提出了一种基于神经网络的中文分词方法,以提高分词系统向新领域迁移的适应性和灵活性。该文方法采用了对现有分词器分词结果进行纠正的思路。这种基于纠正的两阶段方法与分词模型解耦,避免了对源领域语料和分词器构建方式的依赖。然而现有的基于纠正的方法依赖于特征工程,无法自动适应不同领域。该文利用神经网络对纠正器进行建模,在无需手工设计特征的情况下即可实现领域适应。实验表明,与当前方法相比,该文方法在领域文本上具有更好的分词性能和鲁棒性,尤其在未登录词召回率方面提升显著。     

Multi-source unsupervised domain adaptation for object detection

Domain adaptation for object detection has been extensively studied in recent years. Most existing approaches focus on single-source unsupervised domain adaptive object detection. However, a more practical scenario is that the labeled source data is collected from multiple domains with different feature distributions. The conventional approaches do not work very well since multiple domain gaps exist. We propose a Multi-source domain Knowledge Transfer (MKT) method to handle this situation. First, the low-level features from multiple domains are aligned by learning a shallow feature extraction network. Then, the high-level features from each pair of source and target domains are aligned by the followed multi-branch network. After that, we perform two parts of information fusion: (1) We train a detection network shared by all branches based on the transferability of each source sample feature. The transferability of a source sample feature means the indistinguishable degree to the target domain sample features. (2) For using our model, the target sample features output by the multi-branch network are fused based on the average transferability of each domain. Moreover, we leverage both image-level and instance-level attention to promote positive cross-domain transfer and suppress negative transfer. Our main contributions are the two-stage feature alignments and information fusion. Extensive experimental results on various transfer scenarios show that our method achieves the state-of-the-art performance.     

基于特征与域感知的点击率预估方法

点击率预估是推荐系统中的核心任务,其关键是学习有效的特征交互,但现有基于深度神经网络的点击率预估方法未考虑冷启动问题,导致准确率降低。结合特征信息和域信息的嵌入,提出一种特征交互的点击率预估方法FF-GNN。利用基于图神经网络的交互模块分别提取特征嵌入和域嵌入的结构信息,建模细粒度的特征交互和粗粒度的域交互过程。同时通过设计图神经网络的权重计算模块,交叉引用特征图神经网络和域图神经网络的低阶特征信息,实现特征交互和个性化建模域交互。在此基础上,采用注意力机制融合特征交互和域交互模块的结果预测点击率。在Criteo和Frappe公开数据集上的实验结果验证了FF-GNN方法的有效性,其AUC指标相较于同类型Fi-GNN方法分别提高0.57和0.85个百分点,能够同时关注特征和域信息,提高点击率预估的准确度。     

领域需求差异分析方法与应用研究

领域信息源的发展变化是推动领域需求不断演进的源泉,已有的领域分析方法中却鲜有对领域需求演变过程和如何演变进行分析的说明。因此,提出了一种领域需求差异分析方法,主要用于对特定领域的需求演变进行分析。该方法借助领域原型系统获取并分析领域需求现状与目标之间的差异问题,从而得到领域需求演进过程需要关注的问题域,并以此为依据建立领域需求演进模型。该方法在银行核心业务领域的需求分析过程中进行了实际应用,充分验证了该方法的有效性。     

基于集成一致性的多源跨领域情感分类模型

现有的跨领域情感分类方法大多只利用了单个源领域到目标域的迁移特征,没有充分考虑目标域实例与不同源域之间的联系。针对此问题,本文提出一种无监督的多源跨领域情感分类模型。首先利用单个源域到目标域的迁移特征训练基分类器,并对不同的基分类器加权;然后将不同基分类器对目标域实例预测的集成一致性作为目标函数,优化该目标函数,得到不同基分类器的权重;最后利用加权后的基分类器得到目标域的情感分类结果。该模型在Amazon数据集上进行了多源域情感迁移实验,取得了较好的实验结果,相对其他基线模型,在4组实验中平均提升了0.75%。