摘要:作为一种二维的形式化方法，图文法为可视化语言提供了直观而规范的描述手段.然而，大多数图文法形式框架在空间语义处理能力方面有所不足，影响了图文法的表达能力及其实际应用范围.针对现存的问题，构建了一种新型空间图文法形式框架vCGG （virtual-node based coordinate graph grammar）.区别于其他空间图文法，vCGG在产生式中通过定义虚结点的概念描述产生式与主图之间的语法结构与空间语义关系，在保留抽象能力的同时，提高了其空间语义配置性能.通过与几种典型空间图文法框架比较，vCGG形式框架在直观性、规范性、表达能力以及分析效率方面均有着较好的表现.

摘要:二维带形装箱问题是一个经典的NP-hard的组合优化问题，该问题在实际的生活和工业生产中有着广泛的应用.研究该问题，对企业节约成本、节约资源以及提高生产效率有着重要的意义.提出了一个强化学习求解算法.新颖地使用强化学习为启发式算法提供一个初始的装箱序列，有效地改善启发式冷启动的问题.该强化学习模型能进行自我驱动学习，仅使用启发式计算的解决方案的目标值作为奖励信号来优化网络，使网络能学习到更好的装箱序列.使用简化版的指针网络来解码输出装箱序列，该模型由嵌入层、解码器和注意力机制组成.使用Actor-Critic算法对模型进行训练，提高了模型的效率.在714个标准问题实例和随机生成的400个问题实例上测试提出的算法，实验结果显示：提出的算法能有效地改善启发式冷启动的问题，性能超过当前最优秀的启发式求解算法.

摘要:在开源社区中，不同开发人员提交的代码水平参差不齐，需要代码评审检查提交代码质量.决策者是代码评审的关键人物，审核提交代码，发现软件缺陷.代码评审情况会对开源软件质量产生影响，因此需要建立评审过程度量体系，了解代码评审情况，促进提高开源软件项目质量.现有的软件过程度量方法主要考虑提交代码和评审评论活动，缺乏考虑决策活动，难以充分度量人员的评审行为.引入决策者因素，提出了一个开源社区评审过程度量体系，包括评审活动指标和人员分布指标.评审活动指标包含评审次数、评审信息长度、评审代码改动行数以及评审时间.人员分布指标主要考虑改动者、评论者和决策者的比例和数量.然后，收集了3个热门开源项目数据，分析评审过程度量指标与软件缺陷数量的关系.通过实证研究分析发现：决策者数量，少改动、少评论、少决策者的比例等决策者相关指标和软件缺陷数量中等正相关.同时，与不考虑决策者的度量体系进行对比分析，发现含有决策者的度量体系与软件缺陷的相关性更高.实证研究结果验证了评审过程度量体系的有效性，说明增加决策者相关指标的必要性.

摘要:针对粗粒度锁会严重影响并发程序的可伸缩性问题，提出一种面向细粒度锁的自动重构方法.该方法借助访问者模式分析、别名分析、负面效应分析等多种程序分析技术获取临界区代码的读写模式，然后使用下推自动机构建不同锁模式的识别方法，根据识别结果进行代码重构.与以往锁重构方法的不同之处在于，该方法考虑了锁降级模式，使重构适用性更广.基于此方法，在Eclipse JDT框架下，以插件的形式实现了自动重构工具FLock.在实验中，从重构个数、改变的代码行数、重构时间、准确性和重构后程序性能等方面对FLock进行了评估，并与已有的重构工具Relocker和CLOCK进行了对比.对HSQLDB，Jenkins和Cassandra等11个大型实际应用程序的重构结果表明：FLock共重构了1 757个内置监视器对象，每个程序重构平均用时17.5s.该重构工具可以有效地实现粗粒度锁到细粒度锁的转换，与手动重构相比，有效提升了细粒度锁的重构效率.

摘要:智能家居赋予家庭设备以智能，受到用户的广泛欢迎.由于用户需求不同，服务提供商采用“触发-动作”编程（TAP）模式以支持用户定制规则.然而，现在TAP编程和智能家居执行引擎中流行的Event-State时序范式极易出错，且难以修改规则和追踪运行错误.对TAP缺陷的原因进行系统分析之后，提出一种编写和修改难度较低、且能够检测规则运行异常的方案，记为SSRules.SSRules允许用户以一种改进的State-State时序范式输入规则，并基于Z3定理证明器将其翻译为Event-State时序范式，且为开源智能家居系统Home Assistant所接受的规则输入.考虑到智能家居需要实时掌握设备的动态，SSRules引入了运行时子系统获取实体状态信息，并对规则执行有效性检查.最后，基于Unity3D开发了智能家居模拟器HA-Simulator.测试结果表明：SSRules与传统方法相比表达简洁，规则数目平均减少60%左右，且能够及时检测瞬时异常并记录原因，更易被用户理解和使用.

摘要:随着SOA技术的发展，Web服务被广泛应用，服务数量增长迅速.正确高效地对Web服务进行分类，对于提高服务发现质量、促进服务组合效率非常重要.然而，现有的Web服务分类技术存在描述文本稀疏、未充分考虑属性信息以及结构关系等问题，难以有效提升Web服务分类的精度.针对此问题，提出一种基于GAT2VEC的Web服务分类方法.首先，针对Web服务之间的结构关系和自身的属性信息分别构建出多个相对应的结构关系图和属性二分图，并采用随机游走算法生成Web服务的结构上下文和属性上下文；然后，利用SkipGram模型对联合上下文进行训练，得到融合多维信息的表征向量；最后，采用SVM模型实现Web服务的分类预测.在ProgrammableWeb真实数据集上进行对比实验，实验结果表明：相比于Doc2vec，LDA，Deepwalk，Node2vec和TriDNR这5种方法，所提出的方法在Macro F1值上有了135.3%，60.3%，12.4%，10.5%和4.3%的提升，切实提高了服务分类的精度.

摘要:虚拟云高性能向高效能计算演进，已是环境保护、人类可持续发展的迫切需求.然而目前，一方面，硬件级物理节能空间需要适度延展；另一方面，以遗传或人工免疫算法为代表的元启发式调度中间件大多存在进化动力不足，以致收敛性和分布性冲突难平衡等瓶颈.事实上，每个候选解（调度方案）都蕴含一定的物理反馈效应，而拟配资源的非线性和异构性，则意味着不同方案间与能效相关的实时动态反馈的巨大差异化.因此，尊重科学规律，巧妙地借力于硬件节能原理，给算法优化动力注入新能量，并进一步增强软件方法的节能主导性，是本文研究方法；继而提出一种着眼于软硬件节能原理深度融合的新的绿色异构调度算法（GHSA_di/Ⅱ），以多角度、全方位提升元启发式算法之协同进化模拟的内驱力.大量仿真实验结果显示：无论对于数据密集型还是计算密集型实例，GHSA_di/Ⅱ算法较其他3种元启发式异构调度算法，在整体性能、节能降耗以及可扩展性等方面都具明显优势.

摘要:零指代是汉语中普遍存在的一个现象，在汉英机器翻译、文本摘要以及阅读理解等众多自然语言处理任务中都起着重要作用，目前已成为自然语言处理领域的一个研究热点.提出了篇章视角的汉语零指代表示体系，从服务于篇章分析的角度出发，首先以基本篇章单元为考察对象，判别其是否包含零元素；再根据零元素在基本篇章单元中承担的角色将零元素划分成主干类和修饰类两类；接着以段落对应的篇章修辞结构树为考察指代关系的基本单元，依据先行词与零元素间的位置关系将指代关系分成基本篇章单元内和基本篇章单元间两种，并针对基本篇章单元间的指代关系，根据零元素对应的先行词的状况将指代关系分成实体类、事件类、组合类和其他等4类；最后，基于篇章视角的汉语零指代表示体系，选取汉语树库CTB、连接词驱动的汉语篇章树库CDTB和OntoNotes语料中重叠的325篇文本进行了汉语零指代的标注，构建了服务于篇章分析的汉语零指代语料库.一方面，借助系统检测来说明所提出的表示体系合理有效，构造的语料库质量上乘；另一方面构建了完整的汉语零指代消解基准平台，从可计算的角度验证了所构建的汉语零指代语料库能够为篇章视角的汉语零指代研究提供必要的支撑.

摘要:受限玻尔兹曼机（restricted Boltzmann machine，简称RBM）是一种概率无向图，传统的RBM模型假设隐藏层单元是二值的，二值单元的优势在于计算过程和采样过程相对简单，然而二值化会对基于隐藏层单元的特征提取和数据重构过程带来信息损失.因此，将RBM的可见层单元和隐藏层单元实值化并保持模型训练的有效性，是目前RBM理论研究的重点问题.为了解决这个问题，将二值单元拓展为实值单元，利用实值单元建模数据并提取特征.具体而言，在可见层单元和隐藏层单元之间增加辅助单元，然后将图正则化项引入到能量函数中，基于二值辅助单元和图正则化项，流形上的数据有更高的概率被映射为参数化的截断高斯分布；同时，远离流形的数据有更高的概率被映射为高斯噪声.由此，模型的隐层单元可以被表示为参数化截断高斯分布或高斯噪声的采样实值.该模型称为基于辅助单元的受限玻尔兹曼机（restricted Boltzmann machine with auxiliary units，简称ARBM）.在理论上分析了模型的有效性，然后构建了相应的深度模型，并通过实验验证模型在图像重构任务和图像生成任务中的有效性.

摘要:代理辅助进化算法（SAEA）是目前解决昂贵优化问题的一种有效途径.提出一种基于多样性的代理辅助进化算法（DSAEA）来解决昂贵多目标优化问题.DSAEA采用Kriging模型近似每个目标来代替原目标函数进行评估，加速了进化算法的优化过程.其引入参考向量把问题分解为多个子问题，根据解与参考向量之间的角度大小建立它们的相关性，然后计算出最小相关解集.在此基础上，候选解生成算子和选择算子会趋向于保留多样性的解.另外，训练集A在每次迭代后会进行更新，根据多样性删除价值不大的样本以减少建模时间.实验部分对DSAEA与目前流行的代理辅助进化算法在大规模2目标和3目标优化问题上进行对比实验.每个算法在不同的测试问题上分别独立运行30次，并计算和统计反向迭代距离（IGD）、超体积（HV）和运行时间，最后使用秩和检验分析实验结果.结果表明：DSAEA在多数实验测试问题上表现更好，因此具有有效性和可行性.

摘要:案件舆情摘要是从涉及特定案件的新闻文本簇中，抽取能够概括其主题信息的几个句子作为摘要.案件舆情摘要可以看作特定领域的多文档摘要，与一般的摘要任务相比，可以通过一些贯穿于整个文本簇的案件要素来表征其主题信息.在文本簇中，由于句子与句子之间存在关联关系，案件要素与句子亦存在着不同程度的关联关系，这些关联关系对摘要句的抽取有着重要的作用.提出了基于案件要素句子关联图卷积的案件文本摘要方法，采用图的结构来对多文本簇进行建模，句子作为主节点，词和案件要素作为辅助节点来增强句子之间的关联关系，利用多种特征计算不同节点间的关联关系.然后，使用图卷积神经网络学习句子关联图，并对句子进行分类得到候选摘要句.最后，通过去重和排序得到案件舆情摘要.在收集到的案件舆情摘要数据集上进行实验，结果表明：提出的方法相比基准模型取得了更好的效果，引入要素及句子关联图对案件多文档摘要有很好的效果.

摘要:随着滴滴、Uber等出租车服务的日益普及，用户的乘车需求预测逐渐成为智慧城市、智慧交通的重要组成部分.准确的预测模型既可以满足用户的出行需求，也可以降低道路车辆空载率，有效地避免资源浪费，并缓解交通压力.车辆服务商可以收集到大量GPS数据及用户需求数据，然而，如何合理运用数据进行需求预测，是关键且实用的问题.提出一种结合城市POI的可变形卷积时空网络（DCSN）模型来预测区域乘车需求，模型包括两部分——可变形卷积时空模型与POI需求关联模型：前者即通过DCN与LSTM建模未来需求与时空之间的相关性，后者则通过区域POI差异化指数与需求差异化指数捕捉区域间的相似关系.最后使用全连接网络将两个模型整合起来，进而得出预测结果.使用滴滴出行的大型真实乘车需求数据进行实验，最终实验结果表明，所提出的方法在预测精度上优于现有的预测方法.

摘要:数据隐私保护问题已成为推荐系统面临的主要挑战之一.随着《中华人民共和国网络安全法》的颁布和欧盟《通用数据保护条例》的实施，数据隐私和安全成为了世界性的趋势.联邦学习可通过不交换数据训练全局模型，不会泄露用户隐私.但是联邦学习存在每台设备数据量少、模型容易过拟合、数据稀疏导致训练好的模型很难达到较高的预测精度等问题.同时，随着5G （the 5th generation mobile communication technology）时代的到来，个人设备数据量和传输速率预计比当前提高10~100倍，因此要求模型执行效率更高.针对此问题，知识蒸馏可以将教师模型中的知识迁移到更为紧凑的学生模型中去，让学生模型能尽可能逼近或是超过教师网络，从而有效解决模型参数多和通信开销大的问题.但往往蒸馏后的学生模型在精度上会低于教师模型.提出一种面向推荐系统的联邦蒸馏方法，该方法首先在联邦蒸馏的目标函数中加入Kullback-Leibler散度和正则项，减少教师网络和学生网络间的差异性影响；引入多头注意力机制丰富编码信息，提升模型精度；并提出一个改进的自适应学习率训练策略来自动切换优化算法，选择合适的学习率，提升模型的收敛速度.实验验证了该方法的有效性：相比基准算法，模型的训练时间缩短52%，模型的准确率提升了13%，平均误差减少17%，NDCG值提升了10%.

摘要:提出一种脑电图（electroencephalograph，简称EEG）数据表示方法，将一维链式EEG向量序列转换成二维网状矩阵序列，使矩阵结构与EEG电极位置的脑区分布相对应，以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段，作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络（CASC_CNN_LSTM）与级联卷积-卷积神经网络（CASC_CNN_CNN）这两种混合深度学习模型，二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性，而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系，后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征，从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验，结果显示，所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%，均高于基准模型和现有最新方法的性能，表明该模型有效提高了EEG情感识别的准确率和鲁棒性，可以有效地应用到基于EEG的情感分类与识别相关应用中.

摘要:数据采样是快速提取大规模数据集中有用信息的重要手段，为更好地应对越来越大规模的数据高效处理要求，借助近邻传播算法的优异性能，通过引入分层增量处理和样本点动态赋权策略，实现了一种能够非常有效地平衡处理效率和采样质量的新方法.其中的分层增量处理策略考虑将原始的大规模数据集进行分批处理后再综合；而样本点动态赋权则考虑在近邻传播过程中对样本点进行合理的动态赋权，以获得采样的数据空间上更好的全局一致性.实验中，分别使用人工数据集、UCI标准数据集和图像数据集进行性能分析，结果表明：新方法与现有相关方法在采样划分质量上可达到同等水平，而计算效率则可实现大幅提升.进一步将新方法应用于深度学习的数据增强任务中，相应的实验结果表明：在原始数据增强方法上结合进高效增量采样处理后，在保持总训练数据集规模的情况下，所获得的模型性能可实现显著的提升.

摘要:为解决可验证外包数据库方案存在的预处理阶段开销较大及不支持公共可验证的问题，提出了一个全委托的公共可验证的外包数据库模型.给出了模型的架构及交互流程，对模型进行了形式化定义，并给出了模型的正确性定义和安全性定义.利用双线性映射及可验证外包模幂运算协议，构建了一个全委托的公共可验证外包数据库方案，且给出了各个算法的详细描述，证明了方案的正确性和安全性.其安全性可规约为BDHE （bilinear diffie-hellman exponent）难题.与现有方案及不进行全委托计算的方案相比，全委托的公共可验证的外包数据库方案基于可验证外包模幂运算，将大量模幂运算外包给云处理，减小了数据拥有者的开销.理论与实验分析表明：该方案数据拥有者在预处理阶段所需的代价更低，效率更高，适于实际应用.此外，验证过程无需私钥参与，实现了公共可验证.

摘要:协同过滤推荐算法中的矩阵分解因其简单、易于实现，得到了广泛的应用.但是矩阵分解通过简单的线性内积建模用户和物品之间的非线性交互关系，限制了模型的表达能力.为此，He等人提出了广义矩阵分解模型，通过非线性激活函数和连接权重，将矩阵分解推广到广义矩阵分解，为模型赋予建模用户和物品间的二阶非线性交互关系的能力.但是广义矩阵分解模型是一个浅层模型，并不能很好地建模用户和物品间高阶交互关系，一定程度上可能会影响模型性能.受广义矩阵分解模型启发，提出了深度矩阵分解模型（deep matrix factorization，简称DMF），在广义矩阵分解模型的基础上引入隐藏层，利用深层神经网络来学习用户和物品间高阶交互关系.深度矩阵分解模型不仅解决了简单内积的线性问题，同时还能够建模用户和物品间的高阶交互，具有很好的表达能力.此外，在MovieLens和Anime两个数据集上进行了大量丰富的对比实验，验证了模型的可行性和有效性；同时，通过实验确定了模型的最优参数.

摘要:已有的隐私保护频繁模式挖掘随机化方法不考虑隐私保护需求差异性，对所有个体运用统一的随机化参数，实施同等的保护，无法满足个体对隐私的偏好.提出基于分组随机化的隐私保护频繁模式挖掘方法（grouping-based randomization for privacy preserving frequent pattern mining，简称GR-PPFM）.该方法根据不同个体的隐私保护要求进行分组，为每一组数据设置不同的隐私保护级别和与之相适应的随机化参数.在合成数据和真实数据中的实验结果表明：相对于统一单参数随机化mask，分组多参数随机化GR-PPFM不仅能够满足不同群体多样化的隐私保护需求，还能在整体隐私保护度相同情况下提高挖掘结果的准确性.

摘要:随着大数据、机器学习等技术的发展，网络流量与任务的计算量也随之快速增长.研究人员提出了内容分发网络（CDN）、边缘计算等平台技术，但CDN只能解决数据存储，而边缘计算存在着难以管理和不能跨集群进行资源调度等问题.容器化技术广泛应用在边缘计算场景中，但目前，边缘计算采取的容器编排策略普遍比较低效，导致任务的计算延迟仍然过长.提出了功能分发网络FDN （function delivery network），一方面为用户提供了访问边缘计算资源的统一接口和容器化的计算平台，无需进行繁琐的计算资源配置；另一方面，FDN平台优化系统的资源利用和任务的计算延迟，能将任务所需的容器编排到合适的边缘计算集群.开发了一种基于启发式的容器编排策略，实现了跨集群的容器编排功能，进一步优化了执行的计算延迟.基于Openwhisk软件实现了FDN，并在中国移动的网络中部署了该系统，而且对FDN和容器编排策略进行测试.实验结果表明，FDN计算平台能够降低任务的计算延迟；同时，启发式容器编排策略的性能相比传统的算法有了较大的提升.

摘要:对ⅡB~IVA期的宫颈鳞癌患者来说，放化疗治疗后肿瘤区域可能会出现完全缓解和不完全缓解的情况.根据临床经验可知，如果放化疗后肿瘤区域不能完全缓解，那么患者的生存率很低，而且再采取手术治疗或口服靶向药治疗等其他疗法很难有效.因此，在治疗前筛选出对放化疗不敏感的患者，转而探索个性化治疗方案很有必要.针对上述问题，将放化疗疗效预测问题视为图像分类问题，提出一种基于随机森林算法的宫颈鳞癌放化疗疗效预测模型，筛选出对放化疗不敏感的患者.该模型首先利用小波变换和高斯拉普拉斯算子对3D宫颈鳞癌MRI（magnetic resonance imaging）进行预处理；其次，利用U-net分割宫颈鳞癌MR图像中肿瘤区域；再次，结合3D宫颈鳞癌MR图像和相应的肿瘤区域分割结果提取宫颈鳞癌病变区域的纹理及形状特征，并对提取的特征进行筛选，训练随机森林模型.实验数据集由已标记的85位宫颈鳞癌ⅡB~IVA期患者治疗前MR图像序列组成.实验结果表明，基于随机森林算法的疗效预测模型预测宫颈鳞癌放化疗疗效AUC值为0.921，优于目前最先进的预测方法.

摘要:由于低照度环境下所采集的图像存在亮度低、对比度差、出现噪声和色彩失衡等低质问题，严重影响其在图像处理应用中的性能.为了提升低照度图像质量，以获得具有完整结构和细节且自然清晰的图像，结合Retinex理论与卷积神经网络，提出了一种基于MDARNet的低照度图像增强方法，并引入Attention机制模块和密集卷积模块以提升性能.首先，MDARNet利用同时包含二维和一维的3个不同尺度卷积核对图像进行初步特征提取，并用像素注意模块对多尺度特征图进行针对性学习；其次，设计跳跃连接结构对图像进行特征提取，使图像特征被最大限度地利用；最后，用通道注意模块和像素注意模块同时对提取到的特征图进行权重学习和照度估计.实验结果表明：MDARNet能够有效提升低照度图像的亮度、对比度、色彩等；且相较于一些经典算法，该方法在视觉效果及客观评价指标（PSNR，SSIM，MS-SSIM，MSE）能够得到更好的效果.

摘要:指令集作为软硬件之间的接口规范，是信息技术生态的起始原点.RISC-V是计算机体系结构走向开放的必然产物，其出现为系统研究领域带来了新的思路，即系统软件问题的研究深度可以进一步向下延伸至指令集架构，从而拓展甚至颠覆软件领域的“全栈”概念.对近年来RISC-V指令集架构相关的研究成果进行了综述.首先介绍了RISC-V指令集的发展现状，指出开展RISC-V研究应重点关注的指令集范围.然后分析了RISC-V处理器设计要点和适用范围.同时，围绕RISC-V系统设计问题，从指令集、功能实现、性能提升、安全策略这4个方面，论述了RISC-V处理器基本的研究思路，并分析了近年来的研究成果.最后借助具体的研究案例，阐述了RISC-V在领域应用的价值，并展望了RISC-V架构后续研究的可能切入点和未来发展方向.

摘要:为解决视频行人重识别数据集标注困难的问题，提出了基于单标注样本视频行人重识别的近邻中心迭代策略.该策略逐步利用伪标签视频片段迭代更新网络结构，以获得最佳的模型.针对预测无标签视频片段的伪标签准确率低的问题，提出了一种标签评估方法：每次训练后，将所选取的伪标签视频片段和有标签视频片段特征中每个类的中心点作为下一次训练中预测伪标签的度量中心点；同时提出基于交叉熵损失和在线实例匹配损失的损失控制策略，使得训练过程更加稳定，无标签数据的伪标签预测准确率更高.在MARS，DukeMTMC-VideoReID这两个大型数据集上的实验验证了该方法相比于最新的先进方法，在性能上得到非常好的提升.