标签式组装建站系统研究

针对我国中小企业电子商务需求现状,提出了基于第三方电子商务平台的组装建站系统.介绍了基于ASP.NET （C#）的组装建站系统的标签库和标签解析引擎的设计和实现思路,并通过系统实现证明了方案的可行性.通过标签的组装,不仅可以完成中小企业的网站建设功能,更可以通过组装和添加多种功能和模块以扩展和建设第三方电子商务平台.     

产品线体系结构层次组装技术研究

产品线体系结构是软件产品线成功开发的基础,层次组装是产品线体系结构设计的重要支撑技术。在产品线体系结构描述语言vADL的基础上,针对产品线体系结构层次组装的特点,首次引入变化性组装概念,并研究了两种变化性组装技术:变量映射和守护条件约束。在传统端口绑定基础上,引入组装件技术支持多个异型组件端口组装和多种类型的端口行为组装。给出基于π演算理论的行为组装推导算法,并充分考虑变化性对行为组装的影响。     

自由标签系统中标签的层次关系提取方法

在自由标签系统中,标签之间没有显式的表示出层次关系,但其内在却隐含着某个标签是其他一些标签的子标签这样的层次关系.提出一种简单高效的、基于概率统计的方法,用OWL本体中的类来表示标签,并从中提取出类的层次关系.实验表明,本方法的提取结果在正确率、召回率上完全满足实际需要,算法执行效率高,非常符合信息飞速增长的互联网的需要.     

深层次标签辅助分类任务的层次标签文本分类方法

层次标签文本分类是自然语言处理领域中一项具有挑战性的任务,每个文档需要被正确分类到对应具有层次结构的多个标签中。然而在标签集中,由于标签包含的语义信息不充分,同时被归类到深层次标签的文档数量过少,深层次标签训练不充分,导致显著的标签训练不平衡问题。基于此,提出了深层次标签辅助分类任务的层次标签文本分类方法（DLAC）。该方法提出了一种深层次标签辅助分类器,在标签语义增强的基础上有效利用文本特征与深层次标签对应的父标签结点（即浅层次标签的丰富特征）来提升深层次标签的分类性能。与11种算法在三个数据集上的对比实验结果表明,模型能够有效提升深层次标签的分类性能,并取得良好效果。     

一种支持领域特性的Web服务组装方法

Web服务为软件构件技术提供了良好的工业化基础．软件构件和构架技术的研究也为Web服务的应用奠定了一定的应用基础．在构件组装中,如何支持适应用户需求的Web服务的组装是当前研究的热点之一．该文提出了一种基于优化算法的、支持领域特性的Web服务组装方法,该方法的核心是面向Web服务应用．按照用户确定的功能和QoS需求,基于现有领域模型和Web服务QoS属性,将特定领域的优化组装转化为数学优化问题加以解决．这一方法可以较好地适应用户需求的更改并可以辅助用户选择服务．该文最后给出了支持该方法的原型工具的实验结果,用以说明该方法的可行性与有效性．     

基于用户自描述标签的层次分类体系构建方法

模式层知识对于语义万维网的发展非常重要,然而当前开放链接数据(LOD)中模式层知识的数量十分有限,为突破这一局限,提出一种基于社交网络中用户自描述标签的层次分类体系构建方法。该方法首先设计基于搜索引擎的标签分块算法,将描述相同话题的标签划分到同一标签块中,然后采用基于半监督学习的标签传播算法挖掘相同标签块中标签间的上下位关系,最后运用基于启发式规则的贪心算法来构建层次分类体系,从而在社交站点中构建出大规模且高质量的层次分类体系。实验结果表明,该构建方法与现有相关工作相比在准确率、召回率以及F值上均有明显提高。     

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Petri网的语义Web服务流程一致性验证

提出一种基于Petri网的语义Web服务流程一致性验证方法。该方法将语义Web服务流程转换为Petri网模型,通过分析Petri网的可达标识图,得到所有可并行执行的服务对,根据领域本体和服务功能的语义描述判断2个并行服务对之间是否存在冲突,并计算每个服务在执行前可能处于的状态,以判断服务的可执行性。通过一个实际案例验证了该方法的正确性和有效性。     

层次标签引导的属性网络嵌入

网络嵌入是在保持网络性质不变的前提下,将节点转换为低维向量,以便下游任务的求解.现有网络嵌入方法的研究大多关注于网络结构、节点属性信息或单层次标签信息等方面.然而,许多真实世界的网络节点通常具有丰富的层次标签信息,这些层次标签信息对获取高效的网络嵌入具有重要价值.由于不同层次的标签之间的信息很难相互关联或继承,如何合理...     

高斯过程机器学习的基线计算算法

为了对网络监视领域中样本进行预测和相关处理,大多数研究在计算基线时都忽略了样本的概率特征,未能结合样本的数据分布,对样本进行相关的处理,忽略了利用样本的周期特性和数据分布对样本进行相关处理的改进空间.因此,本文分析样本历史数据的噪音,通过引入高斯过程机器学习方法,提出基于周期样本的高斯过程机器学习方法,通过采用复合核函数,实现了网络主动监控中的基线计算.首先对＂周期数据＂进行聚类处理,同时将核函数拆分为全局核函数部分和局部核函数部分,使用聚类点训练全局核函数部分;使用局部点训练局部核函数.通过实验,与其它算法相比大大提高了效率,而且保证了近似的准确性.最终保障网络安全、提升网络性能和用户满意度.     

一种基于自适应高斯过程的基线计算算法

基于自适应高斯过程技术,提出了一种计算网络主动监控中上下基线的新方法,即在满足大型服务器集群对 负载性能告警的设置与屏蔽需求下,利用样本噪音的统计特征,结合样本的数据分布,解决了样本数据的回归预测。 算法首先分析样本历史数据的噪音,通过结合蚁群算法,提出高斯过程的参数自适应机制,最后实现上下基线的计算。 实验结果表明,与其它基线计算算法相比,此算法可以在保证相同准确性的基础上,较大幅度地提高计算效率,保障网 络安全,提升网络性能和用户满意度。     

基于标记分布学习的异态集成学习算法

为了提高预测的准确性,文中结合机器学习中堆积(Stacking)集成框架,组合多个分类器对标记分布进行学习,提出基于标记分布学习的异态集成学习算法(HELA-LDL).算法构造两层模型框架,通过第一层结构将样本数据采用组合方式进行异态集成学习,融合各分类器的学习结果,将融合结果输入到第二层分类器,预测结果是带有置信度的标记分布.在专用数据集上的对比实验表明,HELA-LDL可以发挥各种算法在不同场景下的性能较优,稳定性分析进一步说明算法的有效性.     

基于双层机器学习的业务流程剩余时间预测

近年来,流程挖掘技术不再局限于对事件日志的线下分析以实现对流程模型的改进,而更加关注如何为业务流程的优化提供在线支持.其中业务流程剩余执行时间的预测监控是流程挖掘中的关键研究问题,它能为相关者提供及时的预测信息,进而采取有效措施以减少流程执行风险(例如超过时间限制).当前剩余时间预测的研究仅考虑单个流程实例的内部属性,而忽略了多个实例共同执行对剩余执行时间所产生的竞争影响.为此,本文考虑多实例间的资源竞争,并将其作为预测的主要输入属性之一.此外,本文还通过分析历史事件日志选择出一些对当前流程实例执行时间有重大影响的关键活动,并将其也作为预测的输入属性之一.同时,为提高预测模型的精度和在复杂应用场景中的适应性,本文利用堆叠技术将XGBoost模型和LightGBM模型进行融合,构建出双层混合预测模型来完成对业务流程剩余时间的预测.在四个真实数据集上的实验表明,考虑了实例间属性以及关键活动属性的混合预测模型在平均绝对误差上比LSTM和XGBoost方法分别降低了11.6％和15.8％.     

基于低秩表示的标记分布学习算法

针对标记分布学习算法忽略标记相关性信息及数据存在异常和噪声值的情况,文中提出基于低秩表示的标记分布学习算法(LDL-LRR).利用特征空间的基线性表示样本信息,实现对原始特征空间数据的降维.将低轶表示(LRR)迁移至标记空间,对模型施加低秩约束,把握数据的全局结构.分别使用增广拉格朗日乘子法和拟牛顿法求解LRR和目标函数,再通过最大熵模型预测标记分布.在10个数据集上的对比实验表明,LDL-LRR性能良好,效果稳定.     

基于标签相关性的K近邻多标签学习

多标签学习是机器学习领域的一个研究热点,其能够有效解决真实世界中的多语义问题。在多标签学习任务中,样本的多个标签之间存在一定的关联关系,忽略标签间的相关性会导致模型的泛化性能降低。提出一种基于标签间相关性的多标签学习K近邻算法。充分挖掘样本多标签间的相关性,通过Fp_growth算法得到标签的频繁项集。针对频繁项和标签分别构建评分模型和阈值模型,评分模型用于衡量样本与频繁项或标签之间的关联程度,阈值模型用于求解频繁项或标签对应的判别阈值,结合评分模型和阈值模型对样本所属频繁项进行预测,进而确定样本标签集。在经典数据集Emotions和Scene上的实验结果表明,该算法的F1-Measure指标分别达到66.6%和73.3%,相比CC、LP、RAKEL、MLDF等基准方法,其F1-Measure分别平均提高3.8和2.1个百分点,该算法通过合理利用标签间的相关性使得分类性能得到有效提升。     

基于一致性假设的偏标记学习算法*

解决偏标记问题的基本策略是消歧,现有的消歧策略大都分别对每个示例单独进行消歧,并未充分利用示例之间的相关性.基于此原因,文中提出一致性偏标记学习算法(COPAL).该算法基于一个基本假设:相似示例的标记也应该有相关性.基于该假设,COPAL在消歧过程中同时考虑样本自身及其近邻样本的标记信息.实验表明,在人工合成的UCI数据集和真实数据集上,COPAL均取得较好的泛化性能.     

基于数据库的层次概念知识体系的一种获取方法

以关系数据理论为基础,提出一种基于数据库的大量概念学习和概念体系构建的新方法,给出了基于数据库的概念定义和一种简化的获取方法。实例计算表明了该方法的有效性     

一种基于标签传播的半监督核学习算法

一个好的核函数能提升机器学习模型的有效性,但核函数的选择并不容易,其与问题背景密切相关,且依赖于领域知识和经验。核学习是一种通过训练数据集寻找最优核函数的机器学习方法,能通过有监督学习的方式寻找到一组基核函数的最优加权组合。考虑到训练数据集获取标签的代价,提出一种基于标签传播的半监督核学习方法,该方法能够同时利用有标签数据和无标签数据进行核学习,通过半监督学习中被广泛使用的标签传播方法结合和谐函数获得数据集统一的标签分布。在UCI数据集上对提出的算法进行性能评估,结果表明该方法是有效的。     

基于路径匹配的在线分层强化学习方法

如何在线找到正确的子目标是基于option的分层强化学习的关键问题.通过分析学习主体在子目标处的动作,发现了子目标的有效动作受限的特性,进而将寻找子目标的问题转化为寻找路径中最匹配的动作受限状态.针对网格学习环境,提出了单向值方法表示子目标的有效动作受限特性和基于此方法的option自动发现算法.实验表明,基于单向值方法产生的option能够显著加快Q学习算法,也进一步分析了option产生的时机和大小对Q学习算法性能的影响.