-
题名融合多维信息的Web服务表征方法
被引量：1
- 1
-
-
作者
张祥平
刘建勋
肖巧翔
曹步清
-
机构
湖南科技大学服务计算与软件服务新技术湖南省重点实验室
湖南科技大学计算机科学与工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2022年第7期1561-1569,共9页
-
基金
国家重点研发计划(2020YFB1707602)。
-
文摘
随着面向服务体系结构(SOA)技术的发展,Web服务的数量增长迅速。正确高效地对Web服务进行聚类或分类,能够有效地提高服务发现质量以及促进服务组合效率。然而,现有的Web服务建模方法(如LDA主题模型)难以从稀疏的Web服务数据中获得精确有效的信息用于Web服务聚类。针对这个问题,提出了一种融合多维信息的Web服务表征方法(MISR)。首先,将高斯混合模型和Word2Vec算法相结合生成包含Web服务功能主题信息和语义信息的词向量表征。然后,抽取出Web服务中包含的标签-词汇信息、流行度以及Web服务共现信息,结合前一步生成的向量生成包含多维信息的Web服务表征向量。最后,在Web服务聚类和Web服务分类两个任务上对MISR方法的有效性进行验证。在真实数据集上进行WebAPI服务聚类实验,实验结果表明,相比于LDA、Word2Vec、Doc2Vec、WT-LDA、HDP-SOM、GWSC,提出的方法在Micro-F1值上有38.8%、54.5%、15.3%、33.3%、44.7%、9.7%的提升。
-
关键词
Web服务表征
高斯混合模型
Word2Vec
Web服务聚类
Web服务分类
-
Keywords
Web service representation
Gaussian mixture model
Word2Vec
Web service clustering
Web service classification
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名面向目的地预测的层次化空间嵌入BiGRU模型
- 2
-
-
作者
周翔宇
刘毅志
赵肄江
廖祝华
张德城
-
机构
湖南科技大学计算机科学与工程学院
湖南科技大学服务计算与软件服务新技术湖南省重点实验室
-
出处
《浙江大学学报(工学版)》
北大核心
2025年第6期1211-1218,共8页
-
基金
2024年教育部人文社会科学研究规划基金资助项目(24YJAZH237)
2023年湖南省重点研发计划资助项目(2023sk2081)
+1 种基金
湖南省自然科学基金资助项目(2024JJ5163)
湖南省教育厅科学研究重点资助项目(22A0341).
-
文摘
结合空间嵌入和神经网络目的地的预测方法在预测精度和时间性能之间存在权衡,并且面临长期依赖的问题.为此,提出面向目的地预测的层次化空间嵌入双向门控循环单元(HSE-BiGRU)模型.该模型采用层次化架构:第1层通过粗粒度网格嵌入技术,将GPS轨迹数据转换为网格嵌入序列,利用带注意力的BiGRU网络捕获网格嵌入序列中的时空依赖关系,预测目的地所在的网格区域;第2层采用四叉树嵌入技术将网格区域内的轨迹数据转换为四叉树嵌入序列,运用带注意力的BiGRU网络聚焦关键位置节点以提取四叉树嵌入序列的运动特征;结合2层提取的特征信息精准预测目的地.使用波尔图市的出租车数据集进行性能评估,结果表明,所提方法在预测精度和时间性能上均优于CNN、T-CONV、CNN-LSTM等基线模型.
-
关键词
目的地预测
层次化架构
网格嵌入
四叉树嵌入
双向门控循环单元(BiGRU)
注意力机制
-
Keywords
destination prediction
hierarchical architecture
grid embedding
quadtree embedding
bidirectional gate recurrent unit(BiGRU)
attention mechanism
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名面向工业互联网数据分析的机器学习工作流推荐方法
被引量：1
- 3
-
-
作者
文一凭
田沐阳
谭铮
康国胜
刘建勋
-
机构
湖南科技大学服务计算与软件服务新技术湖南省重点实验室
中国铁建重工集团股份有限公司
-
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2024年第8期2681-2687,共7页
-
基金
国家重点研发计划资助项目(2020YFB1707600)
国家自然科学基金资助项目(62177014)
湖南省教育厅资助项目(20B222)。
-
文摘
工业大数据具有多模态和强关联等特性,这给数据分析与应用带来了新的挑战。如何根据工业应用需求的特点实施有效的数据分析过程通常是一项非常复杂、耗时耗力的任务。针对该问题,提出一种面向工业互联网数据分析的机器学习工作流推荐方法。该方法以已有解决方案为起点,将其所使用的数据集和机器学习工作流作为推荐参考,基于Doc2vec模型与最大平均差异方法计算文本描述相似度与数据分布特征相似度,可根据当前数据分析任务需求,推荐合适的已有解决方案中的机器学习工作流。仿真实验说明了该方法的有效性。
-
关键词
工业互联网
机器学习工作流
推荐
数据分析
-
Keywords
industrial Internet
machine learning workflow
recommendation
data analysis
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名面向GPS数据的出租车载客路线层次化推荐模型
- 4
-
-
作者
张德城
刘毅志
赵肄江
廖祝华
-
机构
湖南科技大学计算机科学与工程学院
湖南科技大学服务计算与软件服务新技术湖南省重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第12期163-173,共11页
-
基金
国家自然科学基金面上项目(41871320)
湖南省重点研发计划项目(2023sk2081)
湖南省教育厅科学研究重点项目(22A0341)。
-
文摘
出租车载客推荐能够有效提高司机利润,对于提升交通效率、改善城市出行体验以及推动智能交通的发展都具有重要意义。现有方法一般直接向司机进行载客区域或载客路线推荐,没有考虑将这两者进行结合,不仅面临数据稀疏性问题,而且难以兼顾推荐准确性与实时性能。为此,提出一种面向GPS数据的出租车载客路线层次化推荐模型,其中采用了抗稀疏性的极深因子分解机(xDeepFM)、深度Q网络(DQN)强化学习算法以及层次化推荐策略。首先,离线推荐高载客概率的大网格,以减少在线计算量;然后,当出租车司机提出实时载客推荐需求时,在离线推荐的大网格内进一步推荐高载客概率的小网格;最后,给司机规划一条到小网格的载客路线。在滴滴公司数据集上进行实验,结果表明,与现有的一些先进方法相比,该方法可以使空载出租车司机的巡航时间至少减少36%,巡航距离至少减少26%,并且推荐时间仅需85 ms。
-
关键词
载客路线推荐
载客区域推荐
层次化推荐
极深因子分解机
深度Q网络
-
Keywords
pick-up route recommendation
pick-up area recommendation
hierarchical recommendation
extreme Deep Factorization Machine(xDeepFM)
Deep Q Network(DQN)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于向量混洗和DMA传输的高效分组整序算法研究
- 5
-
-
作者
李慧祥
张会福
胡勇华
张鑫
王书盈
-
机构
湖南科技大学计算机科学与工程学院
湖南科技大学服务计算与软件服务新技术湖南省重点实验室
-
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2024年第7期2444-2452,共9页
-
基金
湖南省教育厅科研资助项目(20B242,19A169)
湖南省自然科学基金资助项目(2023JJ50019)。
-
文摘
为提高快速傅里叶变换的处理速度,提升相关应用领域系统的性能,针对向量超长指令字(VLIW)架构处理器,提出一种适用于数据涉及的采样点数量为2的整数次幂的分组整序方法。该方法对输入数据按照一定规模分成若干个组,在每个分组内部进行混洗整序,以及通过直接存储器访问(DMA)传输将每组中的数据依次传输到结果数组,有效减少逆序数的计算需求和消除了单个数据寻址的要求。此外,针对硬件的“乒乓”存储功能提出了数据的向量混洗和DMA传输的并行处理方法,进一步提升分组整序算法的执行效率。通过在FT-M7002处理器上的具体算法实现和实验结果表明,该方法适用于向量VLIW架构处理器,运算结果正确,且有效地提高了整序的执行速度。
-
关键词
快速傅里叶变换
位逆序
整序
混洗
-
Keywords
fast fourier transform
bit reverse
realignment
shuffle
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名基于深度学习的代码表征及其应用综述
被引量：6
- 6
-
-
作者
张祥平
刘建勋
-
机构
湖南科技大学服务计算与软件服务新技术湖南省重点实验室
湖南科技大学计算机科学与工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2022年第9期2011-2029,共19页
-
基金
国家自然科学基金(61872139)。
-
文摘
对程序进行分析、推理能够对软件开发、维护、迁移起到重要作用。如何高效地从程序代码中获取高质量信息成为了当前研究的热点。近几年有许多学者将基于深度学习的表征技术引入到程序代码分析任务中。深度学习模型能够自动地提取代码中所包含的隐含特征,降低对人工制定特征的依赖。首先介绍了代码表征的背景知识和基本概念,从代码静态信息分析角度出发,总结了基于深度学习的代码表征研究工作。之后进一步介绍了代码表征在代码克隆检测、代码搜索和代码补全三个任务上的具体应用。最后分析现有基于深度学习的代码表征工作中仍然存在的问题,并展望了未来可能的研究方向。
-
关键词
代码表征
表征学习
软件工程
代码分析
深度学习
-
Keywords
code representation
representation learning
software engineering
code analysis
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
