计算机科学与探索杂志

计算机科学与探索杂志2021年第6期

• 基于深度学习的新闻推荐算法研究综述

  田萱, 丁琪, 廖子慧, 孙国栋

  新闻推荐（NR）可以有效缓解新闻信息过载，是当今人们获取新闻资讯的重要方式，而深度学习（DL）成为近年来促进新闻推荐发展的主流技术，使新闻推荐的效果得到显著提升，受到研究者们的广泛关注。主要对基于深度学习的新闻推荐方法研究现状进行分类梳理和分析归纳。根据对新闻推荐的核心对象——用户和新闻的建模思路不同，将基于深度学习的新闻推荐方法分为“两段式”方法、“融合式”方法和“协同式”方法三类。在每类方法中，根据建模过程中的具体子任务或基于的数据组织结构进行更进一步细分，对代表性模型进行分析介绍，评价其优点和局限性等，并详细总结每类方法的特点和优缺点。另外还介绍了新闻推荐中常用数据集、基线算法和性能评价指标，最后分析展望了该领域未来可能的研究方向及发展趋势。

• 航空大数据研究综述

  赵学武, 吴宁, 王军, 阮利, 李玲玲, 徐涛

  大数据伴随着物联网、云计算和人工智能等技术的发展成为目前的研究热点，并在许多领域得到了应用。蓬勃发展的航空领域具备天然的大数据土壤，受到人们越来越高的重视。近年来，学者们开始研究面向航空的大数据技术；航空公司也着手利用航空大数据为其提供服务，并将之提升至发展战略的高度。已有研究和实践表明，航空大数据不仅有利于降低航空公司的运营成本，而且可以提升客户的体验品质。首先从数据和系统性两个角度给出了航空大数据的定义，并对相应的组织结构进行了比较系统的论述；然后从采集、存储管理、预处理、分析和虚拟仿真与可视化五个方面详细阐述了航空大数据中的关键技术，并对其中一些主要的模型和算法进行了比较分析；其次从多个方面描述了航空大数据的典型应用场景；最后深入地分析了航空大数据中存在的问题及未来的研究方向，以期对相关研究应用提供有益的参考。

• 基于关系归纳偏置的睡眠分期综述

  能文鹏, 陆军, 赵彩虹

  睡眠障碍严重影响人类健康和生活，将睡眠阶段准确分类是检测和治疗睡眠障碍的关键。近年来，基于深度学习的方法超越了传统机器学习方法及人类专家。然而，深度学习的内部结构复杂，需要对计算机及医学领域熟悉的专家进行设计。旨在分析现有基于深度学习的睡眠分期模型中的关系归纳偏置，探索睡眠分期模型设计基本原则。对平移不变性、时间不变性和分层处理等关系归纳偏置进行分析。首先按照模型中是否包含具有平移不变性的卷积层和具有时间不变性的循环层将其分为三类：卷积神经网络框架、循环神经网络框架和混合神经网络框架。然后按照模型中对帧、片段和序列的分层处理方式进行了更加细致的分类。接着分析模型中包含不同关系归纳偏置对睡眠分期的性能影响，提出了设计睡眠分期模型需要引入与任务相匹配的关系归纳偏置。最后讨论了基于深度学习睡眠分期方法的优越性与局限性，以及未来可能需要使用更加高级的关系归纳偏置对知识进行更加抽象的表达并与其他人工智能技术相结合。

• 半监督深度学习图像分类方法研究综述

  吕昊远, 俞璐, 周星宇, 邓祥

  作为人工智能领域近十年来最受关注的技术之一，深度学习在诸多应用中取得了优异的效果，但目前的学习策略严重依赖大量的有标记数据。在许多实际问题中，获得众多有标记的训练数据并不可行，因此加大了模型的训练难度，但容易获得大量无标记的数据。半监督学习充分利用无标记数据，提供了在有限标记数据条件下提高模型性能的解决思路和有效方法，在图像分类任务中达到了很高的识别精准度。首先对于半监督学习进行概述，然后介绍了分类算法中常用的基本思想，重点对近年来基于半监督深度学习框架的图像分类方法，包括多视图训练、一致性正则、多样混合和半监督生成对抗网络进行全面的综述，总结多种方法共有的技术，分析比较不同方法的实验效果差异，最后思考当前存在的问题并展望未来可行的研究方向。

• 时空关联自适应追踪目标特征学习

  郭明哲, 才子昕, 王馨月, 景丽萍, 于剑

  目标追踪是近年来视觉领域的一个研究难题，其核心任务是在视频序列中持续定位目标并使用边界框标注其位置。已有的追踪方法大多采用目标检测的思路，将视频序列按帧分开对目标进行单独检测。这种策略尽管充分利用了当前帧信息，却忽略了帧与帧之间的时空关联信息，而这些信息是适应目标外观变化并完整检测目标的关键。为解决这一问题，提出了时空关联的自适应追踪目标特征学习框架时空孪生网络（STSiam），该模型利用视频序列间时空关联信息，通过目标定位和目标表征两个阶段，对目标进行准确定位和实时追踪。目标定位阶段，STSiam自适应地捕捉目标及其周围的变化特征，更新目标匹配模板，确保其尽量免受外观变化影响；目标表征阶段，STSiam关注不同帧对应区域之间的空间关联信息，利用目标定位锁定区域并学习目标边界框修正参数，确保边界框尽量贴合目标。该模型网络架构基于离线训练，在线追踪时无需更新模型参数，确保其实时追踪速度。在广泛使用的OTB2015、VOT2016、VOT2018和LaSOT数据集上进行了一系列实验验证，相较于已有方法，STSiam在准确率、鲁棒性和速度方面均取得领先性能。

• 鲁棒自加权的多视图子空间聚类

  范瑞东, 侯臣平

  随着收集和存储数据的能力不断提高，真实数据通常由不同的表现形式（视图）组成。因此多视图学习在机器学习与模式识别领域中扮演着重要的角色。近年来，多种多视图学习方法被提出并应用于不同的实际场景中。然而，在目标函数中大部分数据点存在平方残差，少数误差较大的离群点很容易令目标函数失效，因此如何处理冗余数据是多视图学习面临的重要挑战。为解决上述问题，提出一种鲁棒自加权的多视图子空间聚类模型。该模型利用Frobenius范数来处理数据的平方误差的同时利用[?1]范数来处理数据的离群点，有效地平衡了离群点与普通数据点对性能的影响。此外，与通过引入超参数来衡量不同视图对模型的影响的传统方法不同，该模型自动学习了每个视图的权重。由于该模型是一个非光滑非凸问题，很难直接求解，设计了一个有效的算法并分析了算法的收敛性和计算复杂度。相比于传统的多视图子空间聚类算法，在多个多视图数据集上的实验结果表明了算法的有效性。

• SCVerify：抗功耗侧信道攻击软件实现的验证

  张俊

  功耗侧信道攻击，通过使用统计分析技术推断出加密算法中的密钥，已成为物理网络设备的一个巨大威胁。随机掩码是一种被广泛使用的用来消除密钥数据和侧信道泄露数据之间关联性的对策。尽管现有技术可以验证加密软件代码是否被随机掩码保护，但是它们在准确性和可扩展性方面受到限制。为消除此类限制，提出了一种基于原有技术改进过的验证随机掩码策略的方法，该方法比已有的基于句法类型的推断技术更准确，比使用SAT（SMT）模型计数的方法更具有可扩展性。实际上，该方法使用一系列语义类型推导规则去推导分布类型，这些规则最初保持抽象以允许快速推导，然后具体化那些抽象规则推导解决不了的验证问题。此类细化方法集成在验证工具SCVerify中，并使用包含AES和MAC-Keccak等加密算法的测试用例进行了验证，实验结果表明此方法在准确性和可扩展性方面明显优于当前的技术。

• 面向路网交通流态势预测的图神经网络模型

  姜山, 丁治明, 徐馨润, 严瑾

  融合了路网结构的交通流态势预测是一个高度非线性化且复杂的时空动态相关性的时序数据预测问题。然而，传统交通流态势预测方法无法建模交通网络中长时间序列数据间的时空相关性。针对交通路网交通流态势预测问题，提出了一种基于图结构的交通流预测深度学习模型。首先，基于图小波变换定义图小波卷积算子，设计了面向路网交通流态势预测的图小波卷积神经网络模块；其次，结合时空注意机制构建了用于道路网络交通流态势预测的时空动态相关性模型，以捕获交通网络的动态时空相关性；最后，采用叠加多层图小波神经网络模块的策略，构建了一种面向路网交通流态势预测的图小波卷积神经网络模型。实验结果表明，该网络模型在数据集上的性能优于现有的基线模型。通过图小波变换矩阵与傅里叶变换矩阵非零元素统计对比实验，发现基于图小波变换定义的卷积运算更具稀疏性。因此，基于图小波变换定义的卷积运算更有助于提升交通流态势预测模型的计算效率。

• 兼顾显隐信息与特征加权的多视角模糊聚类

  梁凌, 邓赵红, 王士同

  多视角聚类是一类应用于无监督学习的多视角学习方法，其旨在利用不同视角的特征集去提升聚类的效果。虽然目前多视角聚类已经在很多领域取得了有效的应用，但仍然面临很多挑战，例如传统的算法仅仅利用显性信息进行聚类，忽视了隐性信息的重要性。提出一种兼顾显隐信息与特征加权的多视角模糊聚类算法（MVSH），该算法在模糊聚类框架下实现各视角的协同学习。一方面，通过为每个视角下的特征加权进行聚类，得到个性化信息；另一方面，以特征学习的方式抽取多视角数据集共享的系数矩阵，得到共性（隐）信息，实现了一种显隐视角协同的多视角学习。使用显信息和隐信息可以在多视角聚类协同学习的过程中较好地平衡视角间共性信息和个性化信息。在多视角数据集的实验研究也有效验证了MVSH的上述优点。和多个相关算法的性能比较表明该方法能得到更好或至少相当的性能。通过在多个多视角数据集上的实验证明，提出的融合显隐信息的策略比单独使用显、隐信息时有更好的效果。

• 利用多粒度属性网络表示学习进行引文推荐

  陈洁, 刘洋, 赵姝, 张燕平

  引文推荐（CR）聚焦于智能化地产生与查询文章相关的文献列表，对科学研究具有重要价值。引文推荐有关于文章的语义信息和结构信息，近年来，基于网络表示学习（NRL）的引文推荐获得广泛关注。但现有研究使用单粒度网络来建模引文推荐问题，存在计算复杂度高、内存消耗大的弊端。为克服这个挑战，提出一种基于多粒度属性网络表示学习的引文推荐算法（CR-HANRSL），可以大大提升网络表示学习效率并同时兼顾文章的语义和结构特征。首先，根据文章结点属性的语义关联度和作者关系反复将网络粗化成更小的网络，并在每次粗化后都让超结点融合子结点的文本属性为粗化后的网络计算语义连边。随后，利用单粒度网络表示学习方法学习粗化后的网络特征表示并通过学习图卷积神经网络，对原网络的表示进行细化。最后，融合文章间多模态特征表示相似度产生推荐列表。在AAN和DBLP两个数据集上的实验结果表明提出的方法可以在学习高质量网络特征表示的前提下大大提升网络表示学习效率。

• 卷积神经网络的交通标志语义分割

  马宇, 张丽果, 杜慧敏, 毛智礼

  图像语义分割是现代自动驾驶系统的一个必要部分，因为实时准确地捕获路况信息是导航和动作规划的关键。交通标志是重要的路况信息，性能稳定、实时性较高并且精度可达到应用需要的交通标志语义算法，是实现主动安全驾驶系统和自动驾驶系统的基础。首先，在分析实际应用需要的基础上，选择GTSDB数据库作为原始数据，设计了可综合评估语义分割算法性能的交通标志数据集。然后，基于性能稳定的经典语义分割网络U-Net，提出针对交通标志等小目标的分割性能更优且实时性更高的深度神经网络结构D-Unet（“D”表示dilated convolution）。该方法采用更少的池化层，从而保留更多的图像信息，同时采用扩张卷积代替常规卷积以扩大卷积感受野，更好地统筹全局信息。最后，在设计的数据集上进行了测试，与FCN-8s、SegNet、U-Net等图像分割网络模型相比，改进后的模型均交并比（MIoU）分别提高了约11.9个百分点、6.09个百分点和3.71个百分点，参数量仅有其他三种网络模型的4.94%、22.5%和85.5%。

• 基于多天线判决的CSI高效人体行为识别方法

  陶志勇, 郭京, 刘影

  人体运动和行为分析成为普适计算中一个新兴的研究领域，针对目前行为识别方法成本高、精度低等问题，提出一种基于多天线联合判决的信道状态信息（CSI）高效人体行为识别方法（MADR）。所提方法分为三步：数据处理、特征提取、动作行为分类。首先，针对原始信号易受环境、设备干扰问题，该方法注重数据处理过程，分别使用Hampel、低通滤波器去除异常值、高频噪声，并进一步使用主成分分析去除带内噪声，得到平滑稳定的数据；其次，利用基于滑动方差的方式将包含时频域细节信息的第一主成分的无效信号进行剔除，得到有效表征行为动作的特征向量；最后，为充分利用多根天线的CSI特征，构建多个基于DTW的FKNN分类器在近邻样本级别上对行为动作进行联合判决。实验结果表明，该方法在会议室和实验室场景下的准确率分别为95.33%、92.67%，且与使用KNN分类器相比，大大缩短了系统训练时间。

• 融合知识图谱和短期偏好的推荐算法

  高仰, 刘渊

  近年来，将知识图谱作为辅助信息来增强推荐越来越受到研究者的关注。由于知识图谱学习任务的目标是还原知识图谱中三元组的关系，并非是以推荐任务为目标，导致了知识图谱学习任务很难高效地帮助推荐任务提升推荐性能。另外，用户兴趣易被短期的环境和心情所影响。针对以上两点，提出了一种融合了知识图谱信息和短期偏好的推荐模型（MKASR）。首先，通过RippleNet算法提取用户和知识图谱实体的关系对，然后将这些关系对按照知识图谱三元组的形式存储和参与训练；采用基于注意力机制的双向GRU网络从用户近期交互的物品序列中提取用户的短期偏好；其次，采用多任务学习的方法同时训练知识图谱学习模块和推荐模块，并得到用户和物品的特征表示；最后，通过这些特征表示和用户的短期偏好向用户综合推荐。在真实数据集MovieLens-1M和Book-Crossing上进行实验，采用AUC、ACC、Precision和Recall指标进行评估，实验结果表明，提出的模型优于其他的基准模型。

• 面向滑动窗口法的概念格漂移计算研究

  徐霁琳, 徐健锋, 刘龙, 吴方文

  概念格是一种数据分析和规则获取的有效工具，近年来概念格的应用和研究已逐渐成为数据分析领域的一个重要研究方向。当前随着信息技术的发展，流数据成为了大数据的重要组成部分，流数据知识挖掘中普遍存在的概念漂移已经成为近年来机器学习领域的热点问题。动态概念格的构造是概念格理论研究的重要研究任务，但是在流数据环境中进行概念格的概念漂移研究在学术界还没有展开。针对流数据环境中概念格的漂移问题，提出了一种面向滑动窗口法的概念格漂移计算方法。首先对滑动窗口中的流数据进行建模；然后对滑动窗口中的流入流出概念相同、流入流出概念不同、流入流出概念部分相交、流入概念包含流出概念和流出概念包含流入概念这五种现象分别进行推理研究；最后基于上述模型理论推理，提出面向滑动窗口法的概念格构造算法，并用实例说明了该算法的有效性和高效性。

• 融合柯西变异和反向学习的改进麻雀算法

  毛清华, 张强

  针对基本麻雀搜索算法在迭代后期种群多样性减小，容易陷入局部极值的问题，提出一种融合柯西变异和反向学习的改进麻雀算法（ISSA）。首先，采用一种映射折叠次数无限的Sin混沌初始化种群，为全局寻优奠定基础；其次，在发现者位置更新方式中引入上一代全局最优解，提高全局搜索的充分性，同时加入自适应权重，协调局部挖掘和全局探索的能力，并加快收敛速度；然后，融合柯西变异算子和反向学习策略，在最优解位置进行扰动变异，产生新解，增强算法跃出局部空间的能力；最后，与3种基本算法和2种改进的麻雀算法进行对比，对8个基准测试函数进行仿真实验以及Wilcoxon秩和检验，评估ISSA的寻优性能，并对ISSA进行时间复杂度分析。结果表明ISSA与其余5种算法相比，收敛速度更快，精度更高，全局寻优能力得到较大提升。