计算机科学与探索杂志

计算机科学与探索杂志2020年第5期

• 分散计算：技术、应用与挑战

  吴虹佳，刘芳，刘斌，蔡志平

  在军事作战等对时延敏感的应用场景中，云计算无法满足用户的实时需求，因此分散计算应运而生。它利用智能手机、平板电脑、联网汽车和物联网终端等全球计算资源提供服务，并将云数据中心视为通用计算节点，彻底消除中心化，实现计算资源的分散化。分散计算将所有具有计算能力的设备连接起来，形成一个网络化的有机体，每个计算节点以协作和共享的方式为用户提供服务。与雾计算和边缘计算的本地化处理不同，该范式利用了网络中的空闲计算资源，绕过了局部计算能力的限制，得到了广泛的关注。首先，介绍了分散计算的研究背景，并给出了分散计算的定义；其次，详细介绍了分散计算的三种核心技术；随后，通过一些具体的应用场景实例化分散计算的概念，更好地分析了分散计算在万物互联时代的优势；最后，阐述了未来分散计算的研究方向以及面临的挑战。

• 基于序列到序列模型的代码片段推荐

  闫鑫，周宇，黄志球

  在软件开发过程中，开发者经常会以复用代码的方式，提高软件开发效率。已有的研究通常采用传统的信息检索技术来实现代码推荐。这些方法存在自然语言查询的高层级的意图与代码的低层级的实现细节不匹配的问题。提出了一种基于序列到序列模型的代码片段推荐方法DeepCR。该方法结合程序静态分析技术与序列到序列模型，训练自然语言查询生成模型，为代码片段生成查询，通过计算生成的查询和开发者输入的自然语言查询的相似度得分来实现代码片段推荐。所构建的代码库的数据来源于Stack Overflow问答网站，确保了数据的真实性。通过计算代码片段推荐结果的平均倒数排名（MRR）和Hit@K来验证方法的有效性。实验结果表明，DeepCR优于现有研究工作，能够有效提高代码片段推荐效果。

• 军用软件测试领域的命名实体识别技术研究

  韩鑫鑫，贲可荣，张献

  命名实体识别是构建知识图谱的重要阶段。基于国军标及软件测试文档，完成了实体类型分类以及数据集的构建和标注。在软件测试领域，针对字词联合实体识别方法准确率不高的问题，进行字符级特征提取方法的改进，提出了CWA-BiLSTM-CRF识别框架。该框架包含两部分：第一部分构建预训练的字词融合字典，将字词一起输入给双向长短期记忆网络进行训练，并加入注意力机制衡量词内各字对特征的语义贡献，提取出字符级特征；第二部分将字符级特征与词向量等特征进行拼接，输入给双向长短期记忆网络进行训练，再通过条件随机场解决标签结果序列不合理的问题，识别出文中的实体。实验结果分别与三种常用的深度学习字符级特征提取方法进行比较，准确率和召回率均有提升，最优F1值为88.93%。实验表明，改进后的方法适用于军用软件测试领域命名实体识别任务，为下一步知识图谱的构建打下了基础。

• 面向复杂网络的节点相似性度量

  穆俊芳，梁吉业，郑文萍，刘韶倩，王杰

  在复杂网络中，度量节点之间的相似性是一项基础且具有挑战性的工作。基于邻域节点的相似性度量仅考虑了节点的邻域信息。基于路径的相似性度量考虑了节点之间的路径信息，使得多数节点与大度节点相似。为了更准确地度量节点之间的相似性且避免多数节点与大度节点相似，定义了每个节点的距离分布，并在此基础上采用相对熵和距离分布提出了一种节点相似性度量方法（DDRE）。DDRE方法通过节点之间的最短路径生成每个节点的距离分布，根据距离分布计算节点之间的相对熵，进而得到节点之间的相似性。6个真实网络数据集的对比实验结果表明，DDRE方法在对称性以及SIR模型中影响其他节点的能力这两方面表现较好。

• 秘密区间与阈值的保密判定

  成雯，李顺东，王文丽

  安全多方计算（SMC）是密码学领域近年来的研究热点，是信息安全保护的关键技术。区间安全多方计算问题在密码学中具有重要的理论意义。之前的研究很少涉及到秘密区间，即区间是由两方或多方合作生成的，任何人对区间信息一无所知。秘密区间问题在现实生活中有很重要的实际意义。主要研究的是秘密区间与阈值的保密判定问题，针对两方合作生成秘密区间，基于Paillier同态加密算法设计了一个协议；针对多方合作生成秘密区间，利用编码原理并结合Lifted ElGamal同态加密算法，提出了优化协议。所设计的安全多方计算协议均能抵抗合谋攻击，并利用模拟范例证明了协议的安全性。利用所设计的协议可以解决很多实际应用问题。

• 关于主动学习下的知识图谱补全研究

  陈钦况，陈珂，伍赛，寿黎但，陈刚

  知识图谱补全任务研究如何补全知识图谱中的缺失关系。知识图谱补全任务有许多广泛的应用，例如可以应用到轨道交通运维知识库中以支撑轨道交通的系统设计、运维优化。现有的算法在用于现实的大规模知识图谱时时间开销巨大，并且无法很好地利用知识图谱外部的数据信息。针对以上两点局限性，提出了一种基于主动学习的知识图谱补全框架。该框架结合主动学习的思想，利用链接预测预先筛选缺失知识图谱中最有可能产生链接的前k对实体对，然后充分考虑知识图谱内部信息和外部信息，采用内外部数据相结合的方式实现知识图谱的缺失补全。基于Freebase和DBpedia数据集，针对已有的工作进行了对比实验，实验结果表明提出的增强链接预测算法（ELP）效果更好，并且具有主动学习能力；提出的内部数据和外部数据相结合的关系验证方法能更有效地验证三元组。

• 基于局部概率解的免疫遗传影响力最大化算法

  钱付兰，徐涛，赵姝，张燕平

  影响力最大化问题是在复杂社会网络中选择一小部分用户在特定传播模型下最大化影响扩散。基于贪心的蒙特卡洛模拟方法在理论上保证近乎最优的解决方案，但算法运行效率很低。虽然已经开发出许多没有理论保证的启发式方法，但都大大降低了解决方案的质量。为解决该问题，提出局部概率解策略计算节点集的影响力，其性能近似于蒙特卡洛模拟，并且提出基于免疫遗传的影响力最大化算法。在4个真实数据集上的实验表明所提算法在解决影响力最大化问题上的高效性。在影响力传播范围上，和当前表现最好的CELF算法有极其相近的性能，且运行效率比CELF算法快大约5个数量级。

• 优化分配策略的密度峰值聚类算法

  丁志成，葛洪伟

  针对密度峰值聚类算法在面对复杂结构数据集时容易出现分配错误的问题，提出一种优化分配策略的密度峰值聚类算法（ODPC）。新算法首先引入参数积[γ]，扩大了聚类中心的选取范围；然后使用改进的数据点分配策略，对数据集的数据点进行基于相似度指标[MS]的重新分配，进一步优化了簇类中点集的分配；最后使用[dc]近邻法优化识别数据集的噪声点。在人工数据集及UCI真实数据集上的实验均可证明，新算法能够在优化噪声识别的同时，提高复杂流形数据集中数据点分配的正确率，并取得比DPC算法、DenPEHC算法、GDPC算法更好的聚类效果。

• 基于用户偏好挖掘生成对抗网络的推荐系统

  李广丽，滑瑾，袁天，朱涛，邬任重，姬东鸿，张红斌

  用户偏好挖掘是推荐系统研究中的关键问题，它对于改善推荐质量具有非常重要的作用。提出用户偏好挖掘生成对抗网络（UPM-GAN），从两个角度深入分析用户隐含偏好：基于三元组损失算法对用户评分矩阵进行处理，挖掘难分负样本，以更好地确立正样本，为准确刻画用户偏好奠定基础；基于奇异值分解（SVD++）算法构建UPM-GAN的生成模型，利用SVD++算法中的偏置信息及隐式参数描述用户隐含偏好， 以提高评分预测精度。最后使用最新生成对抗网络（GAN）框架完成推荐系统训练，在MovieLens-100K、MovieLens-1M这两个主流数据集上展开实验仿真。实验表明UPM-GAN的Precision@K、均值平均精度（MAP）等多项指标均优于对比基线，且它还具有收敛速度快、训练过程平稳等优点。基于UPM-GAN的推荐系统具有一定实用价值。

• 融合知识图谱与深度学习的疾病诊断方法研究

  董丽丽，程炯，张翔，叶娜

  针对现有深度学习疾病诊断方法在辅助诊断过程中大规模依赖标注数据，且缺乏医生或专家经验知识的问题，提出一种融合医学知识图谱与深度学习的疾病诊断方法。该方法的核心是一个知识驱动的卷积神经网络（CNN）模型，通过实体链接消歧与知识图谱嵌入抽取得到医学知识图谱中的结构化疾病知识，并将病情描述文本中的疾病特征词向量与相应知识实体向量作为CNN的多通道输入。在卷积过程中从语义和知识两个层面表示不同类型疾病。通过在多类病情描述文本数据集上进行训练和测试，实验结果表明该方法的诊断性能要优于单一CNN模型与其他疾病诊断方法，并验证了这种知识与数据联合训练的方法更适用于初步诊断病情描述的疾病类型。

• 融合口碑和地理位置的竞争关系量化模型

  李艾鲜，乔少杰，韩楠，元昌安，黄萍，彭京，周凯

  在同类服务或产品中识别和量化竞争是当前竞争关系挖掘领域关注的重要问题。提出科学合理的竞争关系评价指标，构建实体竞争关系综合评价指标体系，使用隐含Dirichlet分布（LDA）模型对消费者口碑评论进行降维和主题提取，构建口碑相似度函数，对实体用户口碑相似度进行量化表示。根据实体地理位置属性，计算实体空间距离，构建实体相邻关系并以具有相邻关系实体的距离作为聚类中心，使用[K]近邻（KNN）算法对其进行聚类。综合上述技术提出LTM模型，融合了用户评论、实体地理位置属性，量化实体间竞争关系。大量真实移动社交网络数据上实验结果表明所提方法在量化指标制定、实用性和时间性能上具有较大优势。

• 使用孪生注意力机制的生成对抗网络的研究

  武随烁，杨金福，单义，许兵兵

  生成对抗网络（GAN）能够生成逼真的图像，已成为生成模型中的一个研究热点。针对生成对抗网络无法有效提取图像局部与全局特征间依赖关系以及各类别间的依赖关系，提出一种用于生成对抗网络的孪生注意力模型（TAGAN）。以孪生注意力机制为驱动，通过模拟局部与全局特征间的依赖关系以及各类别间依赖关系，对真实自然图像建模，创建逼真的非真实图像。孪生注意力机制包含特征注意力模型和通道注意力模型，特征注意力模型通过有选择地聚合特征，学习相似特征间的关联性，通道注意力模型通过整合各通道维度的相关特征，学习各通道的内部依赖关系。在MNIST、CIFAR10和CelebA64数据集上验证了所提出模型的有效性。

• 卷积神经网络在动态手势跟踪中的应用

  李东洁，李东阁，杨柳

  为了解决复杂场景中对动态手势目标进行跟踪的问题，提出了一种动态手势的改进YOLOv3实时跟踪算法。算法首先针对YOLOv3网络检测实时性较差的问题，利用对手势这样的单类目标检测的特性对YOLOv3的主干网络结构进行改进。其次提出一种适合于复杂场景下手势跟踪的规划区域的检测跟踪方法，对手势目标进行检测，过滤掉背景中非当前跟踪目标造成的影响，完成对手势的实时跟踪。最后在设计的手势数据集中进行训练和测试。实验结果表明，算法在复杂场景中的手势跟踪性能均优于YOLOv3算法和一些相关目标跟踪算法。

• 多模糊核融合的单目标跟踪算法

  陈晨，邓赵红，高艳丽，王士同

  针对当前目标跟踪领域中如何准确迅速地对目标进行定位的问题，大部分流行跟踪器的核心内容是结合核方法去训练一个判别分类器来区分目标和周围环境。例如核相关滤波器算法（KCF）将傅里叶变换与核化判别分类器相结合来提升跟踪速度，以及引入TSK模糊逻辑系统（TSK-FLS）的模糊核相关滤波器（FKCF）算法来提高跟踪精度。一些基于KCF的改进算法对部分跟踪难题提出了解决方案，但这些算法在精度方面仍有一定的提升空间。针对此，在FKCF的基础上，从多核融合的角度推导出了一种新的多模糊核相关滤波器（MFKCF）。MFKCF继承了KCF高速的以及FKCF高精度的特性，将多项式核与高斯核进行模糊化，并且融合模糊化后的核函数作为新的目标核函数。由于上述两项改进，使所提算法在跟踪精度方面比KCF与FKCF更好。将KCF算法、FKCF算法与MFKCF算法在OTB50等4个数据集上的30个随机选取的视频进行了实验，实验结果表明MFKCF算法总体表现良好，10项常见属性上的精度均有提升。

• 改进型任意风格快速迁移元网络算法

  刘运鑫，江爱文，叶继华，王明文

  基于元网络的任意风格快速迁移方法得到业界的高度关注和评价。然而，该模型的结果图中经常出现灰色风格不协调的像素缺块，颜色色调与目标风格图不一致，严重影响了迁移质量。提出了该方法的改进策略。使用Gram矩阵作为风格统计量，用于元网络信息输入和计算网络训练损失函数。同时，综合Gram矩阵平均池化操作和元网络分组全连接策略，有效避免了传统Gram矩阵带来网络参数整体过大的问题。实验结果显示，该方法不仅有效去除了不协调风格缺块问题，而且在纹理和颜色布局上较原方法取得了更好的视觉效果。通过理论分析、实验佐证，在算法收敛性和视觉效果方面，进一步确认了采用Gram矩阵作为风格损失和特征统计量的优越性。

• GOE-概念格基础上的冲突分析共性描述

  史妮妮，范妍，魏玲

  冲突广泛存在于社会问题中。为了更好地直观展示冲突分析问题，并给出语义描述，受不完备形式背景上三支近似概念分析理论的启发，将冲突表看作三值形式背景，并在其基础上提出了广义三支算子及其逆算子，通过广义三支算子及其逆算子得到对象导出广义三支概念（GOE-概念），并给出其性质，进一步说明所有GOE-概念的集合可以形成GOE-概念格；进而，讨论了GOE-概念格在冲突分析中进行可视化描述的应用，说明每一个GOE-概念的内涵即为在外延所含代理人下的共性描述；最后，研究了对象导出三支近似概念格（OE-近似概念格）与GOE-概念格的关系，进一步表明GOE-概念相较于OE-近似概念，能够更全面更丰富地描述冲突分析的共性信息。

• 融合猫群算法的动态分组蚁群算法

  张德惠，游晓明，刘升

  针对传统蚁群算法在旅行商问题（TSP）中容易陷入局部最优且收敛速度慢等问题，提出了一种融合猫群算法的动态分组蚁群算法。首先，在种群初始化时，人工地使蚂蚁均匀分布在不同的城市。其次，借鉴猫群算法中的分工思想，在蚁群系统中引入动态分组机制，将蚂蚁分为搜索蚂蚁和跟踪蚂蚁两类：搜索蚂蚁通过路径构建规则的改善使算法在前期多样性增加；跟踪蚂蚁利用信息素扩散机制对局部信息素进行自适应更新，突出较优子路径的作用，避免算法陷入局部最优。最后，通过信息素全局更新机制加快收敛速度。通过Matlab对TSPLIB中的多组案例进行仿真实验，结果表明改进后的算法平衡了多样性和收敛速度，有效提高了解的质量。

• 变精度极大相容块粗糙集模型及其属性约简

  孙妍，米据生，冯涛，李磊军，梁美社

  主要研究不完备信息系统的属性约简问题。首先基于极大相容块构造乐观和悲观两种广义变精度粗糙集模型，分析两种模型之间的关系并研究其主要性质。在此基础上，定义乐观（悲观）β-下分布约简和β-上分布约简并且给出相应的判定定理，进而得到一种保持决策类上（下）近似分布不变的属性约简方法——布尔计算方法。这种构造极大相容块间的辨识矩阵的方法缩小了矩阵的规模，进而简化了计算属性约简的过程，从而能够有效地节省计算时间和存储空间。然后对含有“丢失”“不关心”值和只有“不关心”值的两种不完备信息系统进行实例分析，最后从UCI数据集中选取5组不完备信息数据集来验证方法的有效性。