计算机科学与探索杂志

计算机科学与探索杂志2023年第4期

• 区块链与数据库技术融合综述

  李昕航, 李超, 张桂刚, 邢春晓

  近年来，区块链在金融等领域的应用日益增加，其设计的目的在于实现安全可信的数据存储，因此牺牲了效率，同时技术积累较少的劣势使得区块链缺少很好的辅助性技术支持，这些问题都限制了区块链技术的进一步发展。数据库同样作为数据存储技术，已有数十年的发展历史，技术体系相对成熟完善。区块链和数据库均作为被广泛应用的数据存储技术，通过系统架构设计将两种技术相互融合，实现新一代的数据存储技术，是很有价值的研究方向。通过对区块链和数据库技术的设计理念、技术特性、整体架构的阐述，深层次地从多个角度分析两类数据存储技术之间的共性和差异性与设计理念的优劣。从设计的角度出发，以基于区块链的数据库和基于数据库的区块链两种技术融合范式为基准，对现有的区块链与数据库技术融合的工作进行归纳总结。在此之上，进一步从数据存储技术设计的各个维度，分析区块链与数据库技术融合的关键问题与未来发展方向。

• 知识图谱推荐系统研究综述

  赵晔辉, 柳林, 王海龙, 韩海燕, 裴冬梅

  推荐系统可以在海量的数据信息中获取用户偏好，从而更好地实现个性化推荐，提高用户体检，以及解决互联网中的信息过载问题，但推荐系统仍然存在冷启动和数据稀疏问题。知识图谱作为一种拥有大量实体和丰富语义关系的结构化知识库，不但能够提高推荐系统的准确性，还能够为推荐项目提供可解释性，从而增强用户对推荐系统的信任度，为解决推荐系统中存在的一系列关键问题提供了新方法、新思路。首先针对知识图谱推荐系统进行研究与分析，以应用领域为分类依据将知识图谱推荐系统分为多领域知识图谱推荐系统和特定领域知识图谱推荐系统，同时根据这些知识图谱推荐方法的特点进一步分类，对每类方法进行定量分析和定性分析；之后列举出知识图谱推荐系统在应用领域中常用的数据集，对数据集的规模和特点进行概述；最后对知识图谱推荐系统未来的研究方向进行展望和总结。

• 机器人多模态智能操作技术研究综述

  张秋菊, 吕青

  制造业柔性化的生产趋势、服务业应用场景的多元化扩展，促使机器人应用需求发生根本性变化，任务、环境的不确定性对机器人操作的智能程度提出了更高的要求。使用多模信息引导机器人操作，能够有效提高机器人自主性与易用性。围绕操作认知与操作控制两个关键问题，从多模态信息融合的角度，深入分析该手段对机器人操作智能化提升所起的作用。首先，明确了机器人智能操作与多模信息的具体概念，并阐述使用多模信息的优势；接着，深入分析了常用的认知计算模型与操作控制方法，并对现有工作展开系统性的梳理与介绍，依据认知目标层级的不同将机器人操作认知划分为对象认知、约束认知与状态认知三种类型，依据控制方法的不同介绍基于分析模型的控制融合、基于示教学习的控制和基于策略模型的控制三种常用的机器人操作控制模型；最后，分析了目前所面临的技术挑战并对其未来发展趋势做出了展望。

• 实例分割方法研究综述

  黄涛, 李华, 周桂, 李少波, 王阳

  近年来，随着计算水平的不断提高，基于深度学习的实例分割方法的研究取得了巨大的突破。图像实例分割可以区分图像中同一类的不同实例，是计算机视觉领域的重要研究方向，具有十分广阔的研究前景，在场景理解、医学图像分析、机器视觉、增强现实、图像压缩和视频监控等方面取得了巨大的实际应用价值。近年来，实例分割方法的更新频率越来越高，但目前很少有文献全面系统地分析实例分割相关研究背景。对基于深度学习的图像实例分割方法进行了全面系统的分析与总结，首先，介绍目前实例分割中常用的公共数据集与评价指标，并对现有数据集面临的挑战进行了分析；其次，分别从两阶段分割方法与单阶段分割方法的特性上对实例分割算法进行梳理与总结，阐述其核心思想与设计思路，并对这两类方法的优势与不足进行总结；然后，在公共数据集上评估这些模型的分割精度和速度；最后，总结目前实例分割面临的困难与挑战，以及面对挑战的解决思路，并对未来的研究方向进行展望。

• 融合用户社会关系的双线性扩散图推荐模型

  竺笈, 肖晓丽, 尹波, 孙倩, 谈东

  为了解决传统协同过滤算法中用户行为数据的稀疏问题，在图卷积网络的基础上，提出了一个融合用户社会关系的双线性扩散图推荐模型，并设计了双线性扩散聚合器。该聚合器由两大核心部分组成：一是用来捕捉用户-邻居交互信息的扩散聚合部分，该部分通过建模用户社交影响的动态扩散过程，从社交图的局部邻域中聚合邻居信息到目标用户节点上，以此丰富目标用户表征；二是用来捕捉邻居-邻居交互信息的双线性聚合部分，该部分通过挖掘同阶用户邻居之间潜在的社会交互，并使用内积操作突出邻居社交信息中的共有特征，将其作为目标用户的辅助信息完善用户嵌入。为了验证该模型的有效性，在Yelp和Flickr数据集上进行推荐实验，并与现有的推荐模型进行实验对照分析。实验结果显示，该模型较现有的推荐模型有更高的命中率和归一化折损累计增益。因此，融合用户社会关系的双线性扩散图推荐模型能够有效缓解用户行为数据的稀疏问题，并使得推荐准确率有了较大提升。

• 改进Basic Theta*中LOS算法的任意角度路径规划

  陈正泽, 彭力, 戴菲菲

  针对传统A*算法在进行机器人路径规划时，生成的路径只能沿网格方向进行，带来冗余路径的产生，导致规划的路径非最优路径等问题，提出了一种对A*算法的改进策略。首先，设计Basic Theta*算法，改进A*算法的搜索方式，通过引入视线算法（LOS），增加搜索过程中非网格方向路径的选择，实现任意角度的路径规划；其次，对Basic Theta*算法中的LOS进行改进，提出一种基于网格中心点的视线检测算法，提高Basic Theta*算法规划路径的可实现性。为了验证改进A*算法和改进Basic Theta*算法的效果，在五种不同尺寸的栅格地图中进行仿真测试，仿真结果表明，改进后的A*算法能够在运行时间基本不变的情况下实现路径沿任意角度进行，打破网格的限制，剔除冗余路径，降低路径长度，路径长度的缩减率可达到8%；改进的Basic Theta*算法在保证路径长度基本不变的情况下，能够有效优化传统Basic Theta*算法路径中存在的不符合机器人运动学的路径，同时缩短Basic Theta*算法的运行时间，提高算法的运行效率，规划的路径能够满足机器人运动的实际要求。

• 属性逻辑的近似推理模式研究

  张家录, 吴霞

  近似推理是进行知识推理的有效工具。将计量逻辑中全蕴含三I推理、基于真度的近似推理模式应用到基于形式背景的属性逻辑中，给出基于属性逻辑的全蕴含三I推理的广义MP规则和广义MT规则的解，并提出若干基于广义MP规则和广义MT规则的近似推理方法。引入属性逻辑公式的真度、属性逻辑公式间的伪距离，提出基于属性逻辑伪距离的近似推理方法，讨论基于广义MP规则、广义MT规则的近似推理和基于属性逻辑伪距离的近似推理之间的联系。

• 轻量化高精度双通道注意力机制模块

  陈晓雷, 卢禹冰, 曹宝宁, 林冬梅

  目前大多数注意力机制模块在提高深度学习模型应用精度的同时也带来了模型复杂度的增加。针对这一问题，提出了一种轻量化高精度双通道注意力机制模块（EDCA）。EDCA将特征图分别沿通道、宽度和高度三个方向压缩并重新排列组合，采用一维卷积获取组合后的权重信息，接着将权重信息分割并应用于对应维度以获得特征关注度。在图像分类数据集miniImageNet与目标检测数据集Pascal VOC2007上对EDCA进行充分实验，实验结果表明，与SENet、CBAM、SGE、ECA-Net、Coordinate Attention相比，EDCA所需的计算量以及参数量更少。在miniImageNet数据集上使用ResNet50+EDCA时，Top-1精度较以上方法分别提升0.024 3、0.021 8、0.022 1、0.022 5、0.014 1；在Pascal VOC2007数据集上使用MobileNetV3+YOLOv4+EDCA时，AP50较SENet、CBAM、ECA-Net、Coordinate Attention分别提升0.009 4、0.004 6、0.005 9、0.001 4。

• 融合注意力特征的精确视觉跟踪

  胡硕, 姚美玉, 孙琳娜, 王洁, 周思恩

  近年来，特征融合在视觉跟踪系统的准确性和鲁棒性方面发挥着重要作用。传统的特征融合方法通常通过直接求和或引入注意力机制进行融合。且在分类网络中，只使用一层特征进行分类，忽视了为鲁棒模型的不同级别的特征分配适当的权重的重要性。针对这一问题，提出了一种基于深度学习的注意力融合目标跟踪算法。首先，提出了一种基于ResNet改进的网络结构，引入一个注意力机制，形成一个迭代的注意力模块，将其原来的直接相加的融合方式替换为注意力特征融合方式。改进的网络结构更有利于不同层次特征的融合。其次，将从骨干网络中提取的第三层和第四层特征送入分类器，将得到的响应图进行融合，获得粗略位置。与此同时，将所提取的特征送入到注意力机制网络中，以分配不同的权重，然后馈送到估计网络中，以执行精确回归框估计。通过实验比较可知，该算法的精确度和成功率均有所提升，并且该算法对不同场景中的目标存在的各种干扰均具有更强的鲁棒性。实验表明了该跟踪器的有效性和高效性。

• 多尺度自适应上采样的图像超分辨率重建算法

  吕佳, 许鹏程

  针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题，提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多尺度通道注意力特征提取模块对低分辨率图像进行多尺度特征提取以生成不同尺度下的特征图，再将其输入瓶颈层实现全局特征融合，使用基于分而治之的自适应上采样模块获得超分辨率图像，从而解决了不同放大系数的适配问题和非整数放大系数的上采样问题。在对比实验中，该算法在不使用任何初始化方法时仍然具有良好的收敛性。在整数放大系数下，该算法的图像重建性能超过当前主流的超分辨率网络，PSNR和SSIM性能相比MRFN分别提升了0.34 dB和0.039 1。在非整数放大系数下，其PSNR性能相比双三次插值方法平均提升1.24 dB，且不需要对每一个放大系数都进行训练。

• 重采样和集成学习相结合的文本多标签分类

  王天昊, 张沛, 张昭, 陈西海, 王晶, 张柏礼

  医患纠纷类裁判文书的多标签分类是对其进行高效检索和管理的基础，然而，医患纠纷数据集的类别不平衡和标签共生现象直接影响到文书的多标签分类效果。为此，提出了一种重采样和集成学习相结合的文本多标签分类方案。该方案首先提出一种基于标签集合平均稀疏度的样本重采样算法，用于降低标签共生对重采样的影响，从而改善数据集的类别不平衡性；然后，提出一种基于集成学习的多标签分类算法，其基于重采样后的数据集分别训练出多个基分类器，并对各基分类器以一票否决的投票策略进行组合，从而进一步提升分类器的多标签分类效果。实验结果表明，提出的多标签分类方案不仅适用于医患纠纷类裁判文书，而且适用于其他存在类别不平衡和标签共生问题的文本数据集。

• 局部与全局特征融合的方面情感分析网络模型

  夏鸿斌, 李强, 刘渊

  方面情感分析旨在预测句子或文档中一个特定方面的情感极性。最近大部分的研究都是通过使用注意力机制及外部语义知识对全局上下文进行建模，以完成这项工作。方面的情感极性往往取决于与方面高度相关的局部上下文，但大多数模型将过多的注意力集中于全局上下文，这使得模型的参数量普遍比较大，导致计算量也随之增大。为此，提出一种基于多头注意力机制的轻量化网络模型——局部与全局特征融合网络模型。首先，使用双向门控循环单元来对上下文进行编码。其次，根据与方面项的语义相关距离掩蔽掉与方面项相关度较小的上下文词，以此得到局部上下文表示。最后，通过多头Aspect-aware注意力网络对局部和全局上下文分别进行提取，将两者提取的结果进行结合。此外，还将预先训练的BERT应用于这项任务，并获得了更好的结果。在三个数据集Twitter、Laptop、Restaurant上进行实验，采用Accuracy和[F1]指标进行评估。实验结果表明，该模型在参数量较小的情况下，取得了比其他基于方面的情感分类算法更好的结果。

• 迁移学习在低资源场景实体识别中的应用研究

  杜鹏, 张有明, 朱郑州, 李国才

  实体识别是信息抽取工作中的一项基础性工作。目前在缺乏足够的标注语料的低资源场景下如何有效识别实体，仍是自然语言处理中的一项挑战性工作。结合预训练模型，采用一种“统一编码-分离解码”解决方案，学习大规模领域实体抽象边界信息，基于迁移学习，将大规模领域实体边界抽象信息迁移到低资源场景，提高低资源场景实体识别精度。与现有方法不同的是，仅在解码前对特征向量进行适配。设计了一种自适应模块对统一编码方式得到的每一特征向量按照目标域的实体类型和标注方式维度进行单独解码，确定每个实体的标注方式，避免复杂的实体嵌套问题。基于公开数据集的实验结果表明：相较于BERT-BiLSTM-CRF基线模型，在医药领域低资源场景下，精确率提高4个百分点，召回率提高5.4个百分点，[F1]提高4.72个百分点；在人事领域低资源场景下，精确率提高31.91个百分点，召回率提高31.7个百分点，[F1]提高31.86个百分点。基于自主采集整理数据集的实验结果也表明了模型在低资源场景下进行实体识别的有效性，相较于Lattice-BERT模型，在精确率、召回率等方面有所提高。

• 多层次特征融合网络的语义分割算法

  祁欣, 袁非牛, 史劲亭, 王贵黔

  目标多尺度性质、高层语义信息不足等造成现有算法很难在目标边界取得非常准确的分类精度。为此，提出了一种基于多层次特征融合的语义分割算法。在解码阶段，设计了三个特征提取分支，分别为空间细节分支、语义补充分支和上下文信息分支。空间细节分支采用浅层较高分辨率特征图来生成最终分割图，主要用于保留大量空间细节信息。语义补充分支用于增加更多的高层语义抽象信息。上下文信息分支主要负责提取多尺度全局信息。在语义补充分支中，设计了一种特征融合指导模块（FFGM），建模不同特征图之间像素的对应关系，从而有效地融合不同层次的特征。在空间细节分支中，提出一种自增强特征模块（SEM），对低层次特征进行精调细化，旨在得到清晰的目标边界。在上下文信息分支中，采用金字塔池化模块（PPM）获得多尺度上下文信息，解决目标多尺度性带来的像素错分问题。最后，采用注意力机制融合三个分支提取的特征图，从而强化重要特征，抑制非显著特征。在主流的语义分割数据集PASCAL VOC2012与Cityscapes上，该网络模型获得了81.12%的平均交并比和74.56%的平均交并比，明显优于实验比较算法。

• 改进YOLOv5算法的玉米病害检测研究

  苏俊楷, 段先华, 叶赵兵

  为了解决玉米叶部病害识别技术落后、效率不高、精度不够的问题，提出一种改进的YOLOv5算法识别玉米病害。在保持模型的较低计算量的情况下，同时提升检测速度和算法性能，将传统的YOLOv5s网络的特征提取结构进行改进，在主干网络中添加CA注意力机制，改善目标漏检问题，帮助模型更加精准地定位和识别；在颈部使用BiFPN替代原有的PANet，通过双向的特征融合提升多尺度语义特征的利用，加强对图像深层特征的提取，添加小目标监测层，加强对小物体的检测效果；改进损失函数，引入Focal-EIOU Loss损失函数，提高BBox的回归精度。改进后的YOLOv5算法和传统的YOLOv5s相比，Recall提升了4.61个百分点，平均精度AP上升了4.5个百分点，mAP@0.5提高了2.14个百分点，检测速度上升了4.5 FPS。实验结果表明，改进后的YOLOv5算法在增加极少复杂度的情况下明显提升了算法的效率和性能，并且效果优于传统的YOLOv5s算法。

• 改进离散蜉蝣算法的多目标动态网络社区发现

  李浩, 杨海潇, 张兰, 黄欣, 王海宁, 康雁

  动态网络社区发现能检测出随时间不断变化的社区结构，其研究具有重要意义。为了有效地解决动态网络社区发现问题，将蜉蝣算法引入社区发现，提出了一种多目标离散蜉蝣算法的动态网络社区发现方法（MODMA）。首先，在初始化阶段结合基于种群的标签传播算法和标签扩散算法对蜉蝣种群进行初始化，有利于提高初始解的互补性和多样性；其次，将蜉蝣个体更新策略进行离散化，进一步充分搜索全局空间；然后，提出改进的交叉操作并结合两种变异策略，加快种群的进化速度；最后，对最优解进行基于边界点的局部搜索，避免算法陷入局部最优，提高寻优搜索能力和收敛能力。在算法求解过程中，使用非支配排序和拥挤度距离排序机制保留优质解。大量基于合成网络和真实网络的实验结果表明，MODMA算法与对比算法相比具有更高的求解精度。

• 结合微调与重排序的情感可控对话生成方法

  杜宝祥, 马志强, 王春喻, 贾文超, 王洪彬

  现有的情感对话生成方法通常以基于序列到序列（Seq2Seq）的对话生成模型为基础，在编码或解码进行情感方面的改进，该类方法虽然能够实现一定的情感回复生成能力，但容易出现低质量的通用回复问题。为解决以上问题，实现情感可控且高质量的回复生成，提出了一种结合微调与重排序的情感可控对话生成方法，称为情感生成式预训练Transformer（EmoGPT）。在模型训练阶段，提出使用带有情感类别标签的对话语料微调GPT-2模型的方法，使其学习语句中语义和情感的依赖关系；在回复生成阶段，提出情感重排序策略对生成的多句回复进行情感打分并排序，以提高回复情感可控性。在使用带有情感标签的对话数据集的情感回复生成实验结果显示，带有情感重排序策略的EmoGPT在生成回复的内容相关性和情感一致性方面取得了领先于对比模型的性能，从而验证了文中方法的情感可控且高质量的回复生成能力。

• PLDP：收集和分析多维数据的个性化LDP

  谷香, 李艳辉, 袁野, 李新玲, 王国仁

  众包应用的普及加速了企业的发展，随之而来的隐私泄露问题已经成为公众关注的焦点。现有的本地化差分隐私（LDP）机制主要关注单个隐私级别的效用优化，这会导致某些用户因提供的隐私保护级别不足拒绝共享数据，而某些用户则获得过多的隐私保护。为满足用户不同的隐私保护需求，针对收集和分析多维混合型数据提出一种个性化本地差分隐私（PLDP）机制，为用户提供多个隐私保护级别。具体来说，提出一个个性化用户数据扰动框架，该框架针对数值型数据和分类型数据分别执行个性化的均值估计算法和频率估计算法，并通过理论分析证明算法的保密性和有效性。另外，提出一个个性化的采样方案，该方案根据服务器端的偏好对属性标签进行预处理，并按照其收集偏好对数据维度进行有偏采样。在两个真实数据集上的实验表明，与传统的LDP机制相比，提出的机制在保证用户数据隐私的同时，降低了收集数值型数据和分类型数据的统计误差，因此在隐私保护和数据可用性之间提供了更好的平衡。

• 云用户行为安全评价的犹豫模糊奖优罚劣方法

  彭定洪, 宋博, 张文华

  安全问题是云计算相关研究中的关键议题，云计算用户（CSU）的不安全行为是云计算安全威胁的主要致因。对CSU进行行为安全（BBS）评价是纠正不安全行为、维持安全行为，从而有效提升云计算安全的基础。为有效对CSU-BBS评价且体现安全评价的奖优罚劣目的，提出一种基于逼近理想解法（TOPSIS）虚拟最劣解思想的犹豫模糊奖优罚劣的CSU-BBS评价方法。首先，对于多点监测获取的差异化CSU行为数据以犹豫模糊元（HFE）形式表达，并直接用于后续评价，确保用于评价的CSU行为数据真实、完全；其次，针对安全问题应“奖罚分明”的特点及BBS的“正负强化”需要，在犹豫模糊背景下提出一种体现“奖优罚劣”功能的犹豫模糊去量纲方法。接着，为获得多方案合理排序，基于TOPSIS的变体——虚拟最劣解方法，发展了一种CSU-BBS优劣评价的犹豫模糊求解途径。最后，以某中小型互联网企业的3个云计算平台用户行为数据对5名CSU进行BBS实例评价并辅以对比分析。评价结果表明所提方法能够有效评价CSU-BBS且具奖优罚劣功能。