计算机科学与探索杂志

计算机科学与探索杂志2022年第8期

• 推荐任务中知识图谱嵌入应用研究综述

  田萱, 陈杭雪

  推荐系统旨在为用户推荐个性化内容以提升用户体验，但目前仍面临着诸如可解释性差、冷启动问题和序列化推荐建模等挑战。近年来，蕴含大量结构化知识和语义信息的知识图谱（KG）被广泛应用于各种推荐任务中以期缓解上述问题。对不同推荐任务中知识图谱嵌入（KGE）的创新应用进行系统性综述。首先梳理出采用知识图谱嵌入的三类常见推荐任务以及知识图谱嵌入应用的四种目的;然后根据技术不同归纳总结出四类知识图谱嵌入方法，包括传统嵌入方法、嵌入传播方法、异质图嵌入方法和基于图神经网络的方法;进一步详细阐述了每类方法在不同推荐任务中的使用特点及应用策略，评价其优点和局限性等，并从多个方面对方法间的联系与区别进行定性和定量分析;最后，针对面向不同推荐任务中知识图谱嵌入应用的发展趋势提出一些看法，从多个角度展望了该领域未来值得关注的几个发展方向。

• 集群机器人空间协作行为模型构建方法综述

  赵月, 沈博, 武文亮, 周兴社

  集群机器人是由一定数量的物理机器人组成，该系统中的个体通过交互与协作，可涌现出鲁棒、可扩展、灵活的群体智能行为。集群机器人行为建模是科学分析此类系统的基本方法之一，也是其能力评估的重要基础，研究与分析集群机器人行为模型有助于理解其行为机理。首先对集群机器人的主要特性进行总结，列举了几种典型的集群机器人空间协作行为;在此基础上，对集群机器人空间协作行为进行分类，重点总结和阐述了集群机器人空间协作行为的建模方法，包括图论、仿生模型、动力学模型以及学习模型，从方法概述、应用实例与适用场景等多维度对各类建模方法进行了分析与比较。最后提出了集群机器人空间协作行为建模有待进一步深化研究的问题，并对其未来可能的研究方向进行了展望，以更好地支撑集群机器人系统评估与优化设计。该研究旨在使相关研究人员全面系统地理解集群机器人空间协作行为建模方法。

• 知识图谱推理问答研究综述

  萨日娜, 李艳玲, 林民

  知识图谱问答（KGQA）通过对问题进行分析理解，结合知识图谱（KG）获取答案。但因自然语言问题的复杂性以及知识图谱的不完整性，答案准确率得不到有效提升。而知识图谱推理技术可以推断出知识图谱中缺失的实体以及实体间隐含的关系，因此，将知识图谱推理技术应用于知识图谱问答中可以进一步提升答案预测的准确性。近年来，知识图谱问答数据集的提出以及知识图谱推理技术的灵活应用，极大地推动了知识图谱问答的发展。对知识图谱推理问答从三方面进行归纳总结：首先对知识图谱推理问答进行了简要概述，并介绍了其面临的挑战以及相关数据集;其次对知识图谱推理在开放域问答、常识问答以及时序知识问答中的应用分别进行介绍，并分析了各问答方法的优劣，其中开放域问答方法进一步归纳为基于图嵌入的方法、基于深度学习的方法、基于逻辑的方法;最后总结工作，并根据当前知识图谱推理问答存在的问题对未来研究进行展望。

• 面向智慧教育的知识追踪模型研究综述

  曾凡智, 许露倩, 周燕, 周月霞, 廖俊玮

  知识追踪（KT）作为智慧教育领域的重点研究方向之一，利用智能辅导系统（ITS）提供的大量学习轨迹信息对学生进行建模，自动衡量学生的知识水平，为其提供个性化的学习方案，达到人工智能辅助教育的目的。全面回顾了面向智慧教育的知识追踪模型研究进展，三类具有代表性的模型分别为基于贝叶斯的知识追踪、基于Logistic模型的知识追踪以及近年来迅速发展并且表现出更好性能的深度学习知识追踪。基于贝叶斯的知识追踪分为贝叶斯知识追踪（BKT）以及结合个性化、知识相关性、节点状态与现实问题扩展的BKT模型;基于Logistic模型的知识追踪分为项目反应理论（IRT）与因子分析模型两类;基于深度学习的知识追踪分为深度知识追踪（DKT）及其改进模型以及设计网络结构与引入注意力机制。介绍了目前可供研究者们使用的国际公开教育数据集与常用的模型评估指标，比较和分析了不同类型方法的性能、特点以及应用场景，并对当前研究所存在的问题以及未来发展方向进行探讨与展望。

• 表情识别技术综述

  洪惠群, 沈贵萍, 黄风华

  面部表情是判断人类情感和人机交互的重要依据，传统机器学习和深度学习的发展，给面部表情识别分析带来了许多机遇与挑战。首先分析了表情识别与情感分析的内在联系与区别，指出表情识别侧重于识别面部的表情及情感。接着总结归纳了基于单模态数据集和传统机器学习方法的表情识别技术及其优缺点，介绍了基于单模态数据集与深度学习方法的表情识别技术，然后指出基于单模态数据的表情识别技术具有一定的局限性，如：数据集在数量和质量上较为不足，识别准确率普遍不高，多停留在实验室研究阶段等。引出基于多模态数据集的表情识别及模态间融合方法，并介绍常用的多模态表情数据集，分析了基于多模态数据集的表情识别技术及模态之间的融合技术，包含特征级融合、决策级融合及混合融合三种方式。最后对表情识别分析技术进行总结与展望：考虑到数据集问题，可构建更多自然环境下的高质量表情数据集，也可结合姿势、脑电波等生理信号构建多模态数据集，利用GAN网络进行数据增强，关注微表情的提取，以及研究多模态融合算法等。

• 面向医疗图像协同分析的系统模型及访问控制

  刘同来, 章子凯, 武继刚

  基于深度学习的医疗图像分析技术在计算机辅助的疾病诊断和治疗中发挥了重要作用。分类准确性一直是科研工作者追求的首要目标。然而，图像传输过程还会面临广域网带宽有限及不安全隐患增大的问题。并且当用户数据暴露给未经授权的用户时，平台很容易泄漏个人隐私。针对上述问题，构建了面向糖尿病视网膜病变（DR）诊断协同分析的系统模型及访问控制方案。系统模型包括数据清洗和病变分类两个阶段。在数据清洗阶段，私有云将训练后得到的模型写入区块链，其他私有云清洗数据时使用链上性能最好的模型来识别图像质量，并把高质量图像传递给病变分类模型使用。在病变分类阶段，各私有云分别训练分类模型，并将自己的模型参数上传至公有云聚合得到全局模型，然后将全局模型下发给各私有云，实现协同学习，降低数据传输量，并保护个人隐私。访问控制方案包括私有云内部使用改进的基于角色的访问控制（RAC）和私有云与公有云交互过程中使用的基于区块链的访问控制方案（BAC）。RAC可同时给角色授予功能权限和数据访问权限，并考虑对象属性，实现细粒度级别控制。BAC基于无证书公钥加密技术和区块链技术，能够在私有云向公有云请求传输模型参数的同时，实现对私有云的身份认证、权限识别，保护私有云身份、权限和模型参数的安全，达到轻量级访问控制效果。使用两个视网膜数据集来做DR的分类分析，实验结果表明，数据清洗能够有效地去除低质量图像，提高医生早期病变分类的准确性，准确率达到90.2%。

• 融合行为模式的Android恶意代码检测方法

  杨吉云, 范佳文, 周洁, 高凌云

  基于API调用序列的Android恶意代码检测方法大多使用N-gram和Markov Chain来构建行为特征实现恶意代码检测，但这类方法构造的特征序列长度受限且包含不相关的调用序列，检测精度不高。提出了一种基于行为模式的Android恶意代码检测方法。首先，通过调用序列约简和调用序列合并，提取了最长敏感API调用序列;然后，定义了加权支持度，在此基础上提出了改进的序列模式挖掘算法，挖掘不同类别样本中具有高区分度的序列模式作为分类特征;最后，使用不同的机器学习算法构建分类器实现恶意代码检测。实验结果表明，提出的方法在Android恶意代码检测中的精确度达到了96.11%，比基于API调用数据的两种同类恶意代码检测方法分别提高了4.60个百分点和2.11个百分点。因此，提出的方法能有效检测Android恶意代码。

• 使用子图推理实现知识图谱关系预测

  于慧琳, 陈炜, 王琪, 高建伟, 万怀宇

  知识图谱中的关系推理旨在从现有数据中识别和推断出新的关系，为许多下游任务提供知识服务。当前的许多研究工作主要将实体与关系映射到向量空间中或对实体之间的路径进行搜索来解决关系推理问题。这些方法都只考虑了单一路径或一阶信息对关系推理的影响，忽视了广泛存在于实体之间的更复杂的关系信息。提出了一种新颖的基于子图的知识图谱关系推理方法，结合表示学习与路径推理的优势，使用具有丰富信息的子图结构获取实体对的邻域结构信息，实现实体之间的关系预测。首先将实体对之间的路径扩展为子图，分别从实体层面和关系层面出发，构建节点子图和关系子图;再结合图嵌入表示与图神经网络计算子图的高阶特征，从而获得更丰富的实体关系特征;最后从子图高阶特征中获取实体对的邻域结构信息，实现实体之间的关系预测。实验结果表明，在两个基准数据集上，该方法优于现有的其他基于推理的关系预测方法。

• 块增量典型相关分析

  潘玉, 陈晓红, 李舜酩, 李纪永

  增量学习是处理大规模动态流数据的重要技术，在机器学习领域得到广泛应用。已有众多学者将其与降维方法相结合得到增量式降维算法，其中增量典型相关分析（ICCA）是典型相关分析（CCA）的增量式改进版本，可有效处理多视图的高维数据流降维问题。由于ICCA每次只利用单对样本更新投影向量，每新增一对样本均需更新一次投影向量，导致该算法比较耗时。为了提高算法的效率，提出了块增量典型相关分析（CICCA）算法。该算法无需计算样本协方差矩阵，直接将数据流按批处理，每次利用新增的批样本信息对上一步投影向量进行修正更新，从而得到主投影向量。进一步，在投影向量的正交补空间中计算其他投影向量，进而将原始高维的多视图数据投影到低维空间。在人工数据集和真实数据集上的实验结果表明，该算法提取低维特征的分类性能与CCA、ICCA相当，但训练时间大幅度减少。

• 多样性正则化极限学习机的集成方法

  陈洋, 王士同

  极限学习机（ELM）是一种单隐层前向网络的训练算法，随机确定输入层权值和隐含层偏置，通过分析的方法确定输出层的权值，ELM克服了基于梯度的学习算法的很多不足，如局部极小、不合适的学习速率、学习速度慢等，却不可避免地造成了过拟合的隐患且稳定性较差，特别是对于规模较大的数据集。针对上述问题，提出多样性正则化极限学习机（DRELM）的集成方法。首先，从改变隐层节点参数的分布来为每个ELM随机选取输入权重，采用LOO交叉验证方法和 M S E P R E S S方法来寻找每个基学习器的最优隐节点数，计算并输出最优隐含层输出权重，训练出较好且具有差异性的基学习器。然后，将有关多样性的新惩罚项显式添加到整个目标函数中，迭代更新每个基学习器的隐含层输出权重并输出结果。最后，集成所有基学习器的输出结果对其求平均值，得到整个网络模型最后的输出结果。该方法能够有效地实现多样性正则化极限学习机（RELM）的融合，兼顾准确率和多样性。在10个不同规模的UCI数据集上的实验结果表明所提出的方法是行之有效的。

• 面向人脑功能划分的人工水母搜索优化算法

  赵学武, 王红梅, 刘超慧, 李玲玲, 薄树奎, 冀俊忠

  人脑功能划分是揭示人脑功能分离性的重要方式。然而，现有的大多数划分方法因不能较好地处理功能磁共振影像（fMRI）数据的高维性和低信噪比性，表现出搜索能力较弱和划分结果较差的问题。为了减轻此问题，提出一种基于人工水母搜索优化（AJSO）的人脑功能划分方法。该方法首先基于预处理的fMRI数据计算功能相关矩阵，并将其映射到低维空间。然后将食物编码为由多个功能簇中心构成的聚类解，利用改进型人工水母搜索优化算法搜索更优的食物，采用融入迭代停滞的时间控制机制调控人工水母执行主动运动或被动运动，以提高全局搜索能力;针对主动运动设计适应度引导的步长确定策略，增强人工水母搜索的科学性和针对性。最后根据最小距离原则得到相关矩阵中每行数据的簇标，并将其映射到相应的体素上。在真实fMRI数据上的实验表明：与其他一些划分方法相比，新方法不仅拥有较高的搜索能力，而且可得到具有更好空间结构和更强功能一致性的划分结果。这项研究将人工水母搜索优化算法应用于人脑功能划分，提供了一种更有效的人脑功能划分方法。

• 强化类间区分的深度残差表情识别网络

  黄浩, 葛洪伟

  深度人脸表情识别是神经网络应用于模式识别上一项极具挑战性的任务。相对于身份认证和特征点识别等人脸识别任务，表情识别任务中存在着大量的冗余信息，要得到好的效果，需要更精确的分类。多数研究关注点在数据的泛化性和网络结构上，而忽视了数据的类间关系。提出了一种基于类间分析的深度残差表情识别网络RMRnet。首先，将数据通过骨干网络Resnet18得到混淆矩阵，进一步得到召回率矩阵分析类间关系;然后，凭借类间关系设计网络结构分支，进一步区分强联系类，设计补充支路平衡弱联系类;最后，将分支添加到骨干网络的相应位置，得到RMRnet网络模型。在流行的大型数据库上，与基准方法和近年来的先进方法的对比实验结果表明，提出的方法相较于基准方法效果良好，在一众先进方法中也有很强的竞争力。

• XR-MSF-Unet：新冠肺炎肺部CT图像自动分割模型

  谢娟英, 张凯云

  新冠肺炎给人类带来极大威胁，自动精确分割新冠肺炎CT图像感染区域可以辅助医生进行诊断治疗，但新冠肺炎的弥漫性感染、感染区域形状多变、与其他肺部组织极易混淆等给CT图像分割带来挑战。为此，提出新冠肺炎肺部CT图像分割新模型XR-MSF-Unet，采用XR卷积模块代替U-Net的两层卷积，XR各分支的不同卷积核使模型能够提取更多有用特征;提出即插即用的融合多尺度特征的注意力模块MSF，融合不同感受野、全局、局部和空间特征，强化网络的细节分割效果。在COVID-19 CT公开数据集的实验表明：提出的XR模块能够增强模型的特征提取能力，提出的MSF模块结合XR模块，能够有效提高模型对新冠肺炎感染区域的分割效果;提出的XR-MSF-Unet模型取得了很好的分割效果，其Dice、IOU、F1-Score和Sensitivity指标分别比基模型U-Net的相应指标高出3.21、5.96、1.22和4.83个百分点，且优于同类模型的分割效果，实现了新冠肺炎肺部CT图像的自动有效分割。

• 融合多尺度边界特征的显著实例分割

  何丽, 张红艳, 房婉琳

  对感兴趣的对象进行定位是计算机视觉应用的一个基础任务。显著实例分割通过对视觉上具有显著性的物体进行检测并对其进行像素级分割，可以获得感兴趣的实例类。单阶段显著实例分割网络（S4Net）为利用目标对象和其周围背景的特征分离能力，设计了一个新的区域特征抽取层ROIMasking。但由于卷积神经网络自身的特性，多次的卷积和上采样会造成实例边界信息缺失，导致边界分割粗糙，影响分割的精度。为了解决显著实例分割中的边界信息丢失问题，在S4Net的基础上借鉴目标边缘检测方法，提出了一种结合边界特征的端到端显著实例分割方法（MBCNet）。该方法设计了一个多尺度融合的边界特征提取分支，利用带有混合空洞卷积和残差网络结构的边界细化模块强化对实例边界信息的提取，并通过网络共享层实现了边界信息的传递;同时，为提高分割的精度，提出了一个新的边界-分割联合损失函数，实现了在同一个网络中对目标边界特征提取分支和实例分割分支的同步训练。实验结果显示，提出的方法在saliency instance数据集上的mAP0.5和mAP0.7分别达到88.90%和67.94%，比目前主流的显著实例分割方法S4Net分别提升了2.20个百分点和4.24个百分点。

• 改进U型网络在视网膜病变检测中的应用研究

  杨知桥, 张莹, 王新杰, 张东波, 王玉

  眼底视网膜血管分析和渗出物、出血点等主要病灶区检测是判断糖尿病性视网膜病变程度的重要方法。针对细微血管的分叉以及端点处分割效果不好、渗出物边界不明显以及出血点细小且分布零散不易分割等问题，提出一种改进U型网络，通过改进上下文提取编码模块，提取更丰富的高级别特征;并在特征编码阶段加入混合注意力机制（HAM），突出细微血管以及病灶区特征，减小背景类和噪声影响。实验结果表明，提出的算法在眼底视网膜血管分割数据集DRIVE上的分割准确率、灵敏度、特异性和AUC值比U-NET、CE-NET等现有方法有一定提升，其中灵敏度相较CE-Net网络提升了0.014 6。在糖尿病性视网膜病变病灶区分割数据集DIARETDB1上，对渗出物和出血点的分割效果比U-NET、CE-NET等现有方法有较好的提升，能有效辅助医生诊断。

• 权重初始化-滑动窗口CNN的医学图像分类

  安凤平, 李晓薇, 曹翔

  深度学习在医学图像分类应用过程中存在以下问题：一是无法针对医学图像性质构建深度学习模型层级;二是深度学习模型网络初始化权重未能得到较好优化。为此，首先从网络优化角度出发，通过优化方法提高网络的非线性建模能力，提出了一种新的网络权重初始化方法，缓解了现有深度学习的初始化理论受限于非线性单元类型的问题，增加了神经网络处理不同视觉任务的潜力。同时，为了充分利用医学图像的特性，通过对多列卷积神经网络框架进行深入研究，发现通过改变卷积神经网络不同层次的特征数目和卷积核大小，可以构建不同的卷积神经网络模型，以更好地适应待处理医学图像的医学特性，并训练得到的异构多列卷积神经网络。最后，利用提出的一种自适应的滑动窗口融合机制，共同完成医学图像的分类任务。基于上述思想，提出了一种基于权重初始化-多层卷积神经网络滑动窗口融合的医学分类算法。利用提出方法对乳腺肿块分类、脑肿瘤组织分类实验和医学图像数据库分类分别进行实验，实验结果表明，所提方法不仅平均准确率较传统机器学习、其他深度学习方法有明显提高，而且具有较好的稳定性和鲁棒性。

• 云模型双重积分算子的层次多属性决策方法

  王铁旦, 张雨晴, 彭定洪

  由于实际决策问题的复杂性，大多数指标间都具有相互依赖的特征，因此针对不确定环境下指标间具有关联性的多属性决策问题，提出了一种以层次结构为框架、云模型双重积分（C-TI）为聚合算子的决策方法。首先为了体现决策者在确定指标权重时的不确定思维提出了云模型模糊测度;其次在云模型模糊测度的基础上构建了云模型双重积分算子，该算子将云模型作为决策信息的表征，充分体现出决策信息的模糊性和随机性，且应用结合Choquet积分与Sugeno积分优势的双重积分聚合各指标值，其不仅可以有效处理指标间的交互性问题，还能够考虑到指标值与权重的侧重关系;随后讨论了云模型双重积分算子的定理和性质以及特定条件的变化形式，并给出了相应证明;最后构建出云模型双重积分算子的层次多属性决策方法，并将该方法应用到企业社会责任的评估问题上，通过与其他模型的比较，进一步说明所构建的方法适用于处理模糊与随机的不确定问题，并且能够在指标具有关联性的条件下同时考虑到整体的决策效果。

• 去中心化加权簇归并的密度峰值聚类算法

  赵力衡, 王建, 陈虹君

  快速搜索和寻找密度峰值聚类算法（DPC）是近年来提出的一种基于密度的聚类算法，具有原理简单、无需迭代并能实现任意形状聚类的优点。但该算法仍存在一些缺陷：围绕聚类中心点聚类，使聚类结果受中心点影响显著，且聚类中心点数量仍需人为指定;截断距离仅考虑了数据的分布密度，忽略了数据的内部特征;聚类过程中若有样本存在分配错误，会导致其后续样本聚类出现跟随错误。针对上述问题，尝试提出一种去中心化加权簇归并的密度峰值聚类算法（DCM-DPC）。该算法引入权重系数重新定义了局部密度，并由此划分出位于不同局部高密度区域的核心样本组，用于取代聚类中心点成为聚类的依据。最后将剩余样本按其近邻样本所在类簇的众数，或分配到最高耦合的核心样本组代表的类簇中或标注为离散点以完成聚类。在人工和UCI数据集上的实验结果表明，提出算法的聚类效果优于对比算法，对相互纠缠的类簇的边界样本划分也更加精确。

• 结合人工蜂群优化的粗糙K-means聚类算法

  叶廷宇, 叶军, 王晖, 王磊

  粗糙K-means聚类算法具有较强的处理边界不确定数据能力，但该算法也存在对初始聚类中心选取敏感，以及采用固定权重和阈值方式而导致聚类结果不稳定、精度下降等问题。许多研究工作从不同角度致力于解决这些问题。引入人工蜂群算法（ABC）从三方面对算法进行了改进：首先，以下近似和边界集中数据对象个数与对象在数据集中空间分布的差异性乘积的比值为基础，设计了一种更为合理的动态调整下近似和边界集的权重方法。其次，为加快算法的收敛速度，给出了一种与迭代次数相关联的自适应阈值 ε的实现方法。最后，通过构造蜜源位置的适应度函数，引导蜂群向高质量蜜源全局搜索，把蜂群每次迭代得到的最优源位置作为初始聚类中心，并在此基础上进行交替聚类。实验结果表明，改进后的算法提高了聚类结果的稳定性，获得了较好的聚类效果。