计算机科学与探索杂志

计算机科学与探索杂志2021年第5期

• 粒子群优化算法在关联规则挖掘中的研究综述

  钟倩漪, 钱谦, 伏云发, 冯勇

  关联规则挖掘是数据挖掘中的重要领域，考虑到当前数据的大规模、高维度、模态多样及类型复杂等特性，传统关联规则挖掘算法已无法适应大数据的需求，粒子群优化算法作为一种高效的智能优化算法，为其提供了一种全新的解决方案，近年来被广泛应用于该领域。首先对粒子群优化算法的基本原理及关联规则的基本概念进行了详细介绍，回顾了粒子群优化算法的研究进展，分析了粒子群优化算法在关联规则挖掘中的研究, 包括常用的数据转换方法、编码方式及评估指标，并与其他在关联规则挖掘中被广泛应用的算法进行了对比，总结了各自的优缺点及适用场景。然后对已有改进方法进行了较为系统的分类，即分为基于参数、基于变异机制和混合其他算法的改进。接着梳理归纳了粒子群优化算法在关联规则挖掘中的应用领域，阐述了该算法在购物篮、金融、医疗、工业生产及风险评估领域中的应用优势。最后在介绍这一领域的最新研究进展的基础上，通过对现存问题进行分析，讨论了进一步的研究方向。

• 基于深度学习的短文本情感倾向分析综述

  汤凌燕, 熊聪聪, 王嫄, 周宇博, 赵子健

  短文本情感倾向分析是自然语言处理领域的关键研究问题之一。情感倾向分析是用于检测语言所蕴含主观倾向语义的一系列方法、技术和工具，是对文本深层语义理解的关键。短文本数据的随意性、高歧义性以及简短性使得传统基于特征工程和机器学习分类技术的情感倾向分析任务性能有限。随着深度学习技术在自然语言处理中的广泛应用，基于深度学习的短文本情感倾向分析模型取得了新的突破。通过对相关文献的梳理，首先概述和对比了传统方法和深度学习方法，介绍和剖析了近年基于深度学习的短文本情感倾向分析模型，并阐述了模型的联系、区别与优势；其次归纳了深度学习在短文本情感倾向分析中的研究热点和进展思路，介绍了情感倾向分析常用的公开数据集以及评价指标；最后结合深度学习技术特点和任务难点，对深度学习在短文本情感倾向分析方向的应用前景进行预测。

• 零样本图像分类综述

  刘靖祎, 史彩娟, 涂冬景, 刘帅

  面对人工标注大量样本费时费力，一些稀有类别样本难于获取等问题，零样本图像分类成为计算机视觉领域的一个研究热点。首先，对零样本学习，包括直推式零样本学习和归纳式零样本学习进行了简单介绍；其次，重点介绍了基于空间嵌入零样本图像分类方法和基于生成模型零样本图像分类方法以及它们的子类方法，并对这些方法的机制、优缺点和适用场景等进行了分析和总结；然后，简单介绍了零样本图像分类常用数据集和评估方法，并对典型零样本图像分类方法进行了性能比较；接着，指出了现有零样本图像分类中存在的领域漂移、枢纽点和语义鸿沟等问题及相应的解决思路；最后，对零样本图像分类未来发展趋势和研究热点，如判别性区域的准确定位、生成高质量不可见类视觉特征、广义零样本图像分类等进行了探讨。

• 文本情感对话系统研究综述

  庄寅, 刘箴, 刘婷婷, 王媛怡, 刘翠娟, 柴艳杰

  对话系统作为人机交互的重要方式，有着广泛的应用前景。现有的对话系统专注于解决语义一致性和内容丰富性等问题，对于提高人机交互以及产生人机共鸣方向的研究关注度不高。如何让生成的语句在具有语义相关性的基础上更自然地与用户交流是当前对话系统面临的主要问题之一。首先对对话系统进行了整体情况的概括。接着介绍了情感对话系统中的对话情绪感知和情感对话生成两大任务，并分别调研归纳了相关方法。对话情绪感知任务大致分为基于上下文和基于用户信息两类方法。情感对话生成的方法包括规则匹配算法、指定情感回复的生成模型和不指定情感回复的生成模型，并从情绪数据类别和模型方法等方面进行了对比分析。然后总结整理了两大任务下数据集的特点和链接便于后续的研究，并归纳了当前情感对话系统中不同的评估方法。最后对情感对话系统的工作进行了总结和展望。

• 使用GNN与RNN实现用户行为分析

  王晓东, 赵一宁, 肖海力, 王小宁, 迟学斌

  随着国家高性能计算环境（CNGrid）各个节点产生日志数量不断增加，采用传统的人工方式进行用户行为分析已不能满足日常的分析需求。近年来，深度学习在入侵检测、图像识别、自然语言处理和恶意软件检测等与计算机科学相关的关键任务中取得了良好的效果。演示了如何将深度学习模型应用于用户行为分析。为此，在CNGrid中对用户行为进行分类，提取大量绑定到会话的用户操作序列，然后将这些序列放入抽象的深度学习模型中。提出了一种基于图神经网络（GNN）和循环神经网络（RNN）的深度学习模型来预测用户行为。图神经网络能够捕捉用户局部行为的隐藏状态，可以作为预处理步骤。循环神经网络能够捕捉时间序列的信息。因此，通过将GNN和RNN相结合的方式来构建该模型，以获得两者的优点。为了验证模型的有效性，在CNGrid的真实用户行为数据集上进行了实验,并在实验中与多种不同的其他方法进行对比。实验结果证明了这种新的深度学习模型的有效性。

• MEC中资源分配与卸载决策联合优化策略

  刘继军, 邹山花, 卢先领

  针对移动边缘计算（MEC）中用户任务处理时延与能耗过高的问题，提出了“云-边-端”三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略。首先，考虑系统时延与能耗，将优化问题规划为系统总增益（任务处理时延与能耗相对减少的加权和）最大化问题；其次，为用户任务设置优先级，并根据任务数据量初始化卸载决策方案；然后，采用均衡传输性能的信道分配算法为卸载任务分配信道资源，对于卸载至同一边缘服务器上的任务以最大化资源收益为目标进行资源竞争，实现计算资源最优配置；最后，基于博弈论证明优化问题为关于卸载决策的势函数，即存在纳什均衡，并利用迭代增益值比较法得到了纳什均衡下的卸载决策方案。仿真结果表明，所提联合优化策略在满足用户处理时延要求的情况下最大化系统总增益，有效地提高了计算卸载的性能。

• 动态调整概率的双重布谷鸟搜索算法

  陈程, 贺兴时, 杨新社

  布谷鸟搜索算法是一种新兴的仿生智能算法，存在着求解精度低、易陷入局部最优及收敛速度慢等缺陷，提出了动态调整概率的双重布谷鸟搜索算法（DECS）。首先，在自适应发现概率P中引入了种群分布熵，通过算法的所处迭代阶数和种群分布情况，动态改变发现概率P的大小，有利于平衡布谷鸟算法局部寻优和全局寻优的能力，加快收敛速度；其次，在布谷鸟寻窝的路径位置更新公式中，采用了一种新型步长因子更新寻优方式，形成Levy飞行双重搜索模式，充分搜索空间；最后，在随机偏好游走的更新公式引入非线性对数递减的惯性权重策略，使得算法有效克服易陷入局部最优的缺陷，提高寻优搜索能力。与4种算法相比和19个测试函数的仿真结果表明：改进布谷鸟算法的寻优性能明显提高，收敛速度更快，求解精度更高，具有更强的全局搜索能力和跳出局部最优能力。

• 融合注意力机制的恶意代码家族分类研究

  王润正, 高见, 仝鑫, 杨梦岐

  近年来，随着恶意代码家族变种的多样化和混淆等对抗手段的不断加强，传统的恶意代码检测方法难以取得较好的分类效果。鉴于此，提出了一种融合注意力机制的恶意代码家族分类模型。首先，使用逆向反汇编工具获取恶意样本的各区段特征，并利用可视化技术将各区段转化为RGB彩色图像的各通道；其次，引入通道域和空间域注意力机制来构建基于混合域注意力机制的深度可分离卷积网络，从通道和空间两个维度提取恶意样本的图像纹理特征；最后，选取九类恶意代码家族对模型进行训练和测试。实验结果表明，使用单一区段特征对恶意代码家族分类的准确率较低，采用融合特征能够有效地区分各类恶意代码家族，同时该模型相比于传统的神经网络模型取得了更好的分类效果，模型的分类准确率达到了98.38%。

• 传感网中带有可控阈值的优化协同覆盖算法

  孙泽宇, 李传锋, 邢萧飞, 来纯晓

  传统型的无线传感器网络（WSNs）覆盖受限于节点能量和数据冗余，迫使WSNs异常中断。为此，提出一种带有可控阈值的优化协同覆盖算法（OCC-CT）。该算法首先确定关注目标节点（FTNs）的位置信息，利用遗传算法（GA）给出了节点路径规划；其次，通过可控阈值参数和变异参数等特性对事件域节点成簇进行优化，使之节点成簇更为均匀，以减少节点能量的消耗，提升对全局目标节点的搜索能力；再次，利用适应函数对所覆盖目标位置及节点监测范围所形成的覆盖连续性进行优化，达到了提高网络覆盖率和延长网络生存周期的目的。最后，仿真实验结果表明，OCC-CT算法与其他三种算法相比在网络覆盖率、网络生存周期等方面平均提升了0.11、0.16，在网络能量开销方面提升了0.14，从而进一步验证了OCC-CT算法具有较强的稳定性和有效性。

• SFExt-PGAbs:两阶段长文档摘要模型

  周伟枭, 蓝雯飞, 许智明, 朱容波

  针对抽取式方法、生成式方法在长文档摘要上的流畅性、准确性缺陷以及在文档编码前截断原始文档造成的重要信息缺失问题，提出一种两阶段长文档摘要模型SFExt-PGAbs，由次模函数抽取式摘要SFExt与指针生成器生成式摘要PGAbs组成。SFExt-PGAbs模拟人类对长文档进行摘要的过程，首先使用SFExt在长文档中抽取出重要句子，过滤不重要且冗余的句子形成过渡文档，然后PGAbs接收过渡文档作为输入以生成流畅且准确的摘要。为获取与原始文档中心思想更为接近的过渡文档，在传统SFExt中拓展出位置重要性、准确性两个子方面，同时设计新的贪心算法。为研究不同特征提取器对生成摘要质量的影响，在PGAbs中应用两种循环神经网络。实验结果显示，在CNNDM测试集上，SFExt-PGAbs相较于基线模型生成了更为流畅、准确的摘要，ROUGE指标有较大提升。同时，子方面拓展后的SFExt也能抽取得到更准确的摘要。

• 基于对象特征的深度哈希跨模态检索

  朱杰, 白弘煜, 张仲羽, 谢博鋆, 张俊三

  随着不同模态的数据在互联网中的飞速增长，跨模态检索逐渐成为了当今的一个热点研究问题。哈希检索因其快速、有效的特点，成为了大规模数据跨模态检索的主要方法之一。在众多图像-文本的深度跨模态检索算法中，设计的准则多为尽量使得图像的深度特征与对应文本的深度特征相似。但是此类方法将图像中的背景信息融入到特征学习中，降低了检索性能。为了解决此问题，提出了一种基于对象特征的深度哈希（OFBDH）跨模态检索方法。此方法从特征映射中学习到优化的、有判别力的极大激活特征作为对象特征，并将其融入到图像与文本的跨模态网络学习中。实验结果表明，OFBDH能够在MIRFLICKR-25K、IAPR TC-12和NUS-WIDE三个数据集上获得良好的跨模态检索结果。

• 结合自然和共享最近邻的密度峰值聚类算法

  柏锷湘, 罗可, 罗潇

  基于快速搜索和寻找密度峰值聚类算法（DPC）具有无需迭代且需要较少参数的优点，但其仍然存在一些缺点：需要人为选取截断距离参数；在流形数据集上的处理效果不佳。针对这些问题，提出一种密度峰值聚类改进算法。该算法结合了自然和共享最近邻算法，重新定义了截断距离和局部密度的计算方法，并且算法融合了候选聚类中心计算概念，通过算法选出不同的候选聚类中心，然后以这些候选中心为新的数据集，再次开始密度峰值聚类，最后将剩余的点分配到所对应的候选中心点所在类簇中。改进的算法在合成数据集和UCI数据集上进行验证，并与K-means、DBSCAN和DPC算法进行比较。实验结果表明，提出的算法在性能方面有明显提升。

• 稳定的K-多均值聚类算法

  张倪妮, 葛洪伟

  指定K个聚类的多均值聚类算法在K-均值算法的基础上设置了多个次类，以改善K-均值算法在非凸数据集上的劣势，并将多均值聚类问题形式化为优化问题，可以得到更优的聚类效果。但是该算法对初始原型敏感，且随机选取原型的方式使聚类结果不稳定。针对上述问题，提出一种稳定的K-多均值聚类算法，并对该算法的复杂度与收敛性进行了简要讨论。该算法先基于数据样本的最邻近关系构造图，根据图的连通分支将数据分为若干组，取每组数据的均值点作为初始原型，再用交替迭代的方法对优化问题进行求解，得到最后的聚类结果。在人工数据集和真实数据集上的实验表明，该算法具有更稳定更优越的聚类效果。

• 分级特征融合的图像语义分割

  赵小强, 徐慧萍

  在图像语义分割中，利用卷积神经网络对图像信息进行特征提取时，针对卷积神经网络没有有效利用各层级间的特征信息而导致图像语义分割精度受损的问题，提出分级特征融合的图像语义分割方法。该方法利用卷积结构分级提取含有像素级的浅层低级特征和含有图像级的深层语义特征，进一步挖掘不同层级间的特征信息，充分获取浅层低级特征和深层语义特征中隐藏的特征信息，接着通过上采样操作细化浅层低级特征信息后对所有特征信息进行合并融合，最终实现分级特征融合的图像语义分割。在实验方面，通过多次分解实验验证了所提方法在不同阶段所提取的特征信息和不同网络深度时的特征信息对语义分割结果的影响。同时在公认的图像语义分割数据集PASCAL VOC 2012上，与3种主流方法进行实验对比，结果显示所提方法在客观评价指标和主观效果性能方面均存在优越性，从而验证了该方法可以有效地提升语义分割的精度。

• 全局特征及多层次特征聚合的冠脉分割算法

  顾佳, 方志军, 田方正

  冠脉计算机断层扫描血管造影（CTA）图像分割在辅助医生判断血管堵塞、血管疾病诊断等许多实际应用中发挥重要作用。针对CTA图像中存在大量噪声和FCN、U-Net、V-Net等经典深度学习算法分割结果不细腻的问题，提出了全局特征及多层次特征聚合网络。这种新型的网络由全局特征模块、特征融合与V形细化多层次特征聚合模块以及深度监督三部分组成。全局特征模块综合早期和后期特征信息，在融合丰富的细节和语义信息基础上实现对原始CTA图像过滤操作，生成基础特征。细化V形模块在基础特征的基础上生成不同层次的细化特征图，通过聚合不同层次的细化特征图，得到精准冠脉分割图像。此外，在每一个细化V形模块之后加入深度监督机制来避免梯度消失的问题。对提出的方法进行了定量与定性的分析，结果表明，该方法优于主流基线。消融实验也证明了每个模块的有效性。