-
题名结合开发者依赖的图神经网络缺陷预测方法
- 1
-
-
作者
乔羽
徐涛
张亚
文凤鹏
李强伟
-
机构
南京航空航天大学计算机科学与技术学院
枣庄学院网络中心
-
出处
《计算机科学》
北大核心
2025年第6期52-57,共6页
-
基金
国家自然科学基金(62202223)
江苏省自然科学基金(BK20220881)
工信部安全关键软件重点实验室(南京航空航天大学)开放项目(NJ2022027)。
-
文摘
在软件开发过程中,及时识别和处理高风险缺陷模块是至关重要的。传统的软件缺陷预测方法主要基于代码相关的信息,但常常忽略了开发者个人特质对软件质量的影响。针对这一问题,提出了一种新型的结合开发者一致性依赖网络的软件缺陷预测模型DCN4SDP。首先利用开发者信息构建了一个开发者一致性依赖网络,并提取代码相关的度量作为网络的初始度量元,通过使用双向门控图神经网络学习网络结构上的节点特征。实验结果表明,DCN4SDP模型在多个标准数据集上的性能显著优于传统机器学习分类器和其他深度学习方法,AUC值达到了0.91,F1值达到了0.76,均显著高于其他对比模型。这些优势表明将开发者维度融入软件缺陷预测能够有效提升模型的预测能力和应用价值,且为未来的软件缺陷预测研究提供了新的思路和方向。
-
关键词
软件缺陷预测
双向门控图神经网络
开发者信息
深度学习
图神经网络
软件工程
-
Keywords
Software defect prediction
Bidirectional gated graph neural network
Developer information
Deep learning
Graph neural network
Software engineering
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于多层次图对比学习的序列推荐模型
- 2
-
-
作者
余肖生
王智鑫
-
机构
湖北省水电工程智能视觉监测重点实验室(三峡大学)
三峡大学计算机与信息学院
-
出处
《计算机应用》
北大核心
2025年第1期106-114,共9页
-
基金
国家重点研发计划项目(2016YFC0802500)。
-
文摘
针对现有的基于对比学习的序列推荐模型只考虑了项目和项目或者序列和序列这一个层级的表示学习,而没有办法学习到精细的、易于区分的用户与项目表示的问题,提出一种基于多层次图对比学习的序列推荐(MLGCL-SR)模型。首先,根据用户点击项目的顺序构建项目转移图,并对它进行嵌入表示;其次,利用优化后的双向门控图神经网络(BI-GGNN)在嵌入的项目转移图上进行用户的表示学习;最后,对主要推荐预测任务通过交叉熵损失函数进行参数更新,并使用多层次对比学习任务在嵌入层、节点层、序列层三个层次辅助推荐预测任务进行参数更新,其中在嵌入层和节点层辅助推荐预测任务进行更好的项目表示,而在序列层辅助推荐预测任务进行更好的用户表示。在3个基准数据集Sports、Beauty、Toys上的实验结果表明,相较于对比的最优模型MCLRec(Meta-optimized Contrastive Learning for sequential Recommendation),MLGCL-SR模型在命中率(HR)和归一化折损累计增益(NDCG)指标上有了显著的提升,在能较好反映推荐效果的NDCG@10指标上分别提升了14.2%、19.1%和23.1%,验证了模型的有效性。
-
关键词
推荐系统
序列推荐
对比学习
双向门控图神经网络
-
Keywords
recommendation system
sequential recommendation
contrastive learning
Bidirectional Gated Graph Neural Network(BI-GGNN)
-
分类号
TP391.3
[自动化与计算机技术—计算机应用技术]
-
