公开(公告)号：CN114580641A

公开(公告)日：2022-06-03

申请号：CN202210052087.1

申请日：2022-01-17

Applicant: 南京大学

Inventor： 冯洋 ,  燕言言 ,  范弘铖 ,  李玉莹 ,  徐宝文

IPC: G06N5/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于程序切片的深度神经网络类型推导方法，首先获取大量包含类型标注信息的动态语言程序项目，提取项目中的类型信息，构建类型信息数据集；然后用编码技术将提取的类型信息数据集嵌入成向量形式；最后用嵌入向量训练深度神经网络模型并使用训练好的模型预测程序变量类型或函数签名。本发明目的在于解决目前存在的动态语言程序类型推导效率低、准确率低的问题，提高动态语言程序在软件工程的生产实践中的可读性、可理解性和可维护性，最终实现提高软件质量保障的目标。

公开(公告)号：CN114579753A

公开(公告)日：2022-06-03

申请号：CN202210052086.7

申请日：2022-01-17

Applicant: 南京大学

Inventor： 冯洋 ,  孙静玉 ,  谭嘉俊 ,  刘子夕 ,  陈振宇 ,  徐宝文

IPC: G06F16/36 ,  G06K9/62

Abstract: 本发明涉及知识图谱质量评估领域，提供一种基于差分测试和嵌入模型的知识图谱评估方法。该方法基于变异测试的思想，变异生成可代表知识图谱数据中典型错误的三元组，并将其作为输入重训练出对知识图谱典型错误敏感的优化嵌入模型。该方法还基于差分测试的思想，输入普通知识图谱数据获取不同优化嵌入模型的输出，根据相似性评估保证输出的一致性和有效性；从而可通过符合相似性评估的输出结果再使用投票策略，最终计算出符合实际的质量评估指标。本发明目的在于解决目前存在的知识图谱质量评估人工成本高，耗时长且缺失自动化评估方法和过程的难题，进而帮助评估人员快速地对知识图谱质量进行了解并在短时间内获取可靠的知识图谱评估结果。

公开(公告)号：CN113283250A

公开(公告)日：2021-08-20

申请号：CN202110581487.7

申请日：2021-05-26

Applicant: 南京大学

Inventor： 冯洋 ,  吉品 ,  李玉莹 ,  赵志宏 ,  刘嘉 ,  陈振宇

IPC: G06F40/58 ,  G06F40/211

Abstract: 一种基于句法成分分析的机器翻译自动化测试方法，其特征是使用句法成分分析获取句子的选区结构，并构建蜕变关系，无需参考文本即可评估机器翻译模型的性能。主要解决当前测试机器翻译的存在的依赖参考文本。准确性较低、内部参数不可理解、和测试预言难以构建的问题。选区反映了句子与其组成部分之间的整体关系，它通常用于描述句子的句法结构的特征。由于修饰词不能对句子的结构产生强烈的影响，给定句子的选区结构通常保留在其添加修饰语之后的句子的选区结构中，即选区不变性。本方法的步骤包括使用句子压缩模型生成文本扩增模板，使用BERT模型生成选区变体，使用选区解析树模型来表达句子结构，并基于选区不变性检测翻译错误。