摘要：稀疏性问题一直是推荐系统面临的主要挑战,而信息融合推荐可以利用用户的评论、评分以及信任等信息发掘用户的偏好来缓解这一问题,从而为目标用户生成相应的推荐.用户、项目信息的充分学习是构建一个成功推荐系统的关键.但不同用户对不同项目有不同的偏好,且用户的兴趣偏好及社交圈是动态变化的.提出一种结合深度学习与信息融合的推荐方法来解决稀疏性等问题.特别地,构建了一种新的深度学习模型——结合注意力卷积神经网络(attention CNN)与图神经网络(GNN)的信息融合推荐模型ACGIF.首先,在CNN中加入注意力机制来处理评论信息,从评论信息中学习用户和项目的个性化表示.根据评论编码学习评论表示,通过用户/项目编码学习评论中用户/项目表示.加入个性化注意力机制来筛选不同重要性级别的评论.然后,利用GNN来处理评分和信任信息.对于每个用户来说,扩散过程从最初的嵌入开始,融合相关特性和捕获潜在行为偏好的自由用户潜在向量.设计了一个分层的影响传播结构,以模拟用户的潜在嵌入如何随着社交扩散过程的继续而演变.最后,对前两部分得到的用户对项目的偏好向量进行加权融合,获得最终的用户对于项目的偏好向量.在4组公开数据集上,以推荐结果的MAE和RMSE作为评估指标进行了实验验证.结果表明,与现有的7个典型推荐模型相比,所提模型的推荐效果和运行时间均占优.

摘要：在回归测试过程中,用例重用是一项很重要的工作,其充分利用软件升级变更前的已有资源,提高测试的效率.从已有研究来看,回归测试的研究大部分侧重于用例优化方面,少部分提到利用程序升级变更前后的相似性来重用测试用例以提高用例生成效率.针对回归测试用例重用问题,提出一种重用变更前相似程序的测试信息,并通过设计的适应度函数为变更后程序进化生成新用例的方法.该方法利用构建的函数调用图进行程序相似部分的检测,并根据函数影响力设计适应度函数来调整个体的适应度值,保留适应度值高的优秀个体;再通过重用变更前相似部分的用例,以及进化生成的变更后的部分用例,来构成回归测试中新程序的用例.实验结果表明,在目标路径覆盖率上,对于中小规模和大规模工业程序,本文方法比经典方法分别可提高8%和17%.

摘要：遗传算法解决多路径覆盖中难覆盖边的问题,是当前软件测试数据自动生成领域的一个研究热点.现有方法解决多路径覆盖问题的效果不够理想,本文提出一种将关键边概率与路径层接近度相结合的多路径覆盖测试方法 .首先,本文计算节点被穿越概率找到难覆盖节点,通过难覆盖节点找到难覆盖边(即,关键边),生成目标路径.然后,本文根据关键边概率计算个体贡献度,并通过程序的路径层图计算路径层接近度,再由个体贡献度及路径层接近度设计适应度函数.最后,本文利用多种群遗传算法进化生成测试数据以覆盖目标路径,在进化过程中子种群覆盖当前目标路径后,继续尝试覆盖与其相似的其它路径.实验结果表明,该方法与同类经典方法相比,在保证平均进化时间和平均进化代数占优的同时,稳定性也有所提高,生成时间增幅标准偏差较最优的降低10.19%,离散系数降低10.79%.进化代数增幅标准偏差较最优的降低19.98%,离散系数降低28.02%.