网格中基于本体的服务和知识发现服务

管理和利用由网格应用和网格操作所产生的海量数据,以及对网格资源和网格服务的智能使用是新一代网格的两个主要特征。为此,新一代网格应当具有被称为网格智能的知识发现和知识管理的功能。本体和元数据是实现网格智能的两个基本要素。此外,语义建模是网格支持高层服务和动态服务发现与组成的必要条件。本文对这些新兴服务进行了描述．并在知识网格上实现了一个基于本体的知识发现服务。     

基于资源本体的Web服务发现与组合研究

将语义Web技术引入Web服务研究,提出一种基于资源本体的Web服务发现和组合方法。通过分析资源之间关系,建立了基于上下位资源查找的Web服务发现方法;通过分析资源与服务的输入输出关系,建立了一种逐级查找的Web服务组合方法。与基于关键字和Web服务语义的Web服务发现和组合方法相比,基于资源本体的方法能较好地满足服务查全率和查准率的要求,具有较高的组合质量和效率,非常适合与资源密切相关的Web服务。     

个性化流媒体服务中基于行为分析的用户兴趣建模

提出一种基于行为分析的用户兴趣建模方法,计算用户短期兴趣和长期兴趣,以满足流媒体服务中的个性化需求,提高服务的效率。该方法在综合分析用户历史行为的基础上,考虑了不同行为与用户兴趣偏向之间的关系。实验结果表明,该方法能够较为准确地评估用户兴趣偏好。     

基于本体的领域特征建模过程研究

软件复用的研究和实践表明特定领域的软件复用活动相对容易取得成功,这主要是由于领域的内聚性和稳定性。而系统、全面的领域分析是成功的领域级复用活动的前提和关键。在领域分析和建模的相关研究工作中,已在特征建模方法的基础上引入本体作为特征建模的基础。在此基础上对基于本体的领域分析和建模过程进行了研究,提出了一种领域分析和建模方法OBDA（Ontology Based Domain Analysis）。该方法使用专家分析和自动分析方法相结合,分析业务动作之间的分解、泛化、刻面和依赖等关系以及各种关系的可变性,从而得到完整的领域特征模型。     

基于大数据的用户学习偏好建模及应用

针对自主研发的"睿训课堂"移动学习教学软件中长期积累海量数据分析的需要,将学生学习兴趣分为短期学习兴趣和长期学习兴趣,提出一种基于"大数据"的学生学习偏好模型。并根据学生浏览行为和日志记录数据,挖掘学生短期学习兴趣。利用后台服务器数据库中的数据,对初始学生用户注册信息进行挖掘,提取出学生长期学习兴趣。实验结果表明,基于"大数据"的学生用户学习偏好模型方法是合理和有效的。     

基于分布式学习自动机和用户反馈的网页排序算法研究

为了改善传统PageRank算法存在的不足,例如平分链接权重、主题漂移和忽略用户兴趣,提出一种基于分布式学习自动机和用户反馈的网页排序算法。利用页面内容的相似性、网页之间的超链接和用户遍历的路径,根据分布式学习自动机来确定网页间的超链接权重。考虑到用户反馈包含大量的价值信息,选择用户的转载、回复以及有效点击特征作为用户的行为特征,获得用户反馈因子。根据网页间的超链接权重和用户反馈因子计算每个网页的排名。仿真实验表明,与传统的PageRank算法和WPR算法相比,该算法在一定程度上提高了信息检索的精准度和用户满意度。     

考虑用户意图和时间间隔的会话型深度学习推荐系统

基于循环神经网络的会话型推荐系统在建模用户点击行为时,无法同时考虑用户行为之间的时间间隔和用户的主要意图.针对该问题,在现有的基于注意力机制的会话型推荐系统和仅考虑用户行为时间间隔的Time-LSTM的深度学习模型的基础上提出一个新的基于会话的推荐系统TASR.利用Time-LSTM建模时间间隔影响用户行为,并利用注意力机制捕获用户的主要意图.在两个公开数据集上的实验验证了该算法的有效性.     

基于软件代理的网格信息服务

计算网格允许对地理域上分散的资源进行大范围的、深入的、一致的共享。它们的固有属性将发现处于不同行政区域的资源和预测资源的性能并监控其行为的事务进行合并。监控和发现服务MDS（Monitoring and Discovery Service）是Globus工具集提供的一项主要服务,它可以用于为已存在的基于代理的资源发布和发现系统提供网格信息服务。给出一个代理系统,它使用MDS中的网格信息协议GRIP（Grid Information Protocol）和网格注册协议GRRP（Grid Registration Protocol）去发现虚拟组织并监控相关资源,使得此系统具有资源代理、监控及性能预测的作用。     

考虑用户意图和时间间隔的会话型深度学习推荐系统

基于循环神经网络的会话型推荐系统在建模用户点击行为时,无法同时考虑用户行为之间的时间间隔和用户的主要意图.针对该问题,在现有的基于注意力机制的会话型推荐系统和仅考虑用户行为时间间隔的Time-LSTM的深度学习模型的基础上提出一个新的基于会话的推荐系统TASR.利用Time-LSTM建模时间间隔影响用户行为,并利用注意力机制捕获用户的主要意图.在两个公开数据集上的实验验证了该算法的有效性.     

个性化信息检索中用户兴趣建模与更新研究

个性化信息检索系统的实时性关键在于如何动态更新用户兴趣模型。针对原有方法的不足,改进用户兴趣模型的描述与更新方式。首先根据网页文档的特征改进TF-IDF(Term Frequency-Inverse Document Frequency)算法,以此作为用户兴趣特征词的权重,同时通过引入领域本体,将用户兴趣特征项进行语义扩展,并根据用户浏览行为,改进其用户兴趣主题计算方式,并在此基础上提出用户兴趣模型的更新与遗忘机制。实验对比结果表明,该方法能够捕捉用户兴趣的变化,进一步提高个性化信息检索的准确度与用户满意度。     

开放式网格服务架构的安全设施

网格是一种开放的分布式系统环境,它的目标是实现分布的、异构的、动态的、虚拟组织之间的资源共享。安全性是网格环境中的关键因素之一,网格的安全性主要包括数据的一致性、私有性、认证、授权与审计。深入分析了开放式系统环境中的安全模型与认证、授权框架,讨论了开放式瞬格服务架构中的网格服务安全的协议与设施。     

一种面向网格工作流的增强型Petri网建模方法

随着网格技术的迅速发展,网格工作流也逐渐成为了研究的热点.对于传统的工作流而言,Petri-Net与WF-Net以其简单实用的特点而被广泛使用.然而,它们在实际建模的过程中仍存在一些问题,同时也无法满足网格环境下工作流的建模要求.因此,提出一种新的增强型Petri网建模方法.该方法在Petri的基础上,对嵌套、撤回、资源等方面做了严密的定义,弥补了Petri-Net与WF-Net的不足,是一种有效的针对于网格工作流的建模方法.     

启发式模糊聚类学习在函数逼近和非线性系统建模中的应用

在基于模糊G均值(FCM)聚类的模糊建模和神经模糊建模中,模糊聚类数是一个非常重要的参数,其决定了模型结构的复杂程度.本文提出了基于误差回溯的启发式模糊聚类学习方法.在建模过程中,该方法可以从较小的聚类数开始,根据误差检测,逐步填补输入聚类空间的空洞,从而获得合适的模型规则数.函数逼近和非线性动态系统建模实验结果表明这种方法是简便而有效的.     

基于粗糙集数据挖掘和分类集成学习的网络入侵检测模型

基于多个特征或多个模型的集成（Ensemble）学习技术是智能网络入侵检测的重要研究方向,在现有研究基础上提出基于粗糙集分类、模型分发和攻击归类检测,并加以集成的学习式网络入侵检测模型,该模型不仅能提高网络入侵检测系统检测率,同时还结合了粗糙集能处理不确定信息、生成规则具有高解释性、特征排序在获得检测规则前完成等优点。     

基于服务组合的柔性流程建模

在分析现有柔性流程建模方法的基础上,总结柔性流程建模的实现途径.在面向角色的柔性流程建模方法中采用角色类的划分和角色的动态选取和配置,简化流程的构造.同时提出将Agent技术和Services相结合,设计一种面向角色服务的、封装的、分层的和去耦合的建模系统,并讨论了基于服务组合的柔性流程建模的实现方案.     

基于多维用户模型的数字教育服务推荐技术研究

目前的数字教育推荐系统中用户建模数据来源单一,用户意图分析不深入,缺乏数字教育的针对性考虑,准确度和满意度均有所局限。提出一种基于多维用户模型的数字教育服务推荐方法,充分考虑学生知识掌握水平、学习目标、学生所在群体等因素,从客观意图、主观意图和群体性意图三个方向进行分析推理。结合项目需求,开发基于上述推荐方法的数字教育应用原型系统。实验结果表明,该方法相对于仅考虑单一用户因素的系统在准确率、召回率及排序优先度等指标上均有明显提升。     

MINING USER GOALS FOR INDOOR LOCATION‐BASED SERVICES WITH LOW ENERGY AND HIGH QoS

Location‐based services (LBSs) play a very important role in pervasive computing environment, and QoS (quality of service) is one of the key evaluations for LBS. To maintain high QoS, the traditional approaches rely on accurate and continuous localization. However, the energy consumption of the mobile device under this situation is often too high for practical applications. Thus, it seems that the energy consumption and QoS become two conflicting factors in LBS systems. In this article, a new adaptive goal‐aware computing framework (Adaware) is proposed to solve this contradiction. We show that the QoS of LBS can be evaluated by recognizing user goals. We design new algorithms to mine user goals from discontinuous location data to reduce the energy consumption while keeping a high QoS at the same time. More specifically, Adaware employs an accelerometer to implement motion‐based localization, which greatly reduces the unnecessary energy consumption on Wi‐Fi scanning compared to the original continuous localization methods. Then based on the estimated discontiguous critical point traces which have been postprocessed by our proposed Localization Confident Coefficient filter method, a novel N‐gram goal inference algorithm is used to predict the accurate goal. The experimental results in real‐world wireless network environments validate the effectiveness of our framework. We can get 80% QoS under 70% location estimation accuracy within 10 meters and 30% energy saving compared to continuous Wi‐Fi scanning.     

基于深度学习的IPTV视频用户行为分析方法研究

IPTV视频业务的复杂性和多样性使其难以充分发挥运营商技术优势。借助深度神经网络DNN模型对IPTV视频用户进行用户行为分析。利用深度学习算法对用户点播视频活跃度实施精确分类,从而帮助IPTV服务提供商合理配置资源,同时为终端用户提供更高效优质的服务。实验结果表明,与现有的方法相比,该方法收敛快,分类准确率达93%。     

MAS中基于Ontology的知识表示与推理研究

采用基于Ontology的知识表示方法,解决多Agent的知识表示和共享问题,实现知识的自动推理和获取,实现多Agent之间语义理解,体现Agent的智能特征.在多Agent原型旅游系统中,采用OWL描述Ontology定义相关领域的知识表示与推理,为Agent之间的学习、协商,进一步交互通信打下基础.     

基于本体的Web挖掘分类方法及应用

为了解决Web挖掘系统中信息共享的语义问题,应用本体技术,在传统Web挖掘分类方法的基础上提出了一种基于本体的Web挖掘分类方法.实践表明,该方法能有效地解决传统Web挖掘系统中诸如"新项目"等问题,并为用户提供基于本体属性的更细粒度、交互式的语义Web信息服务.