-
公开(公告)号：CN109614489A
公开(公告)日：2019-04-12
申请号：CN201811528863.0
申请日：2018-12-13
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于迁移学习和特征提取的Bug报告严重程度识别方法，通过将向量化表示的Bugzilla Bug报告信息作为知识库；并使用粗糙集特征提取方法对向量化表示的文本矩阵进行特征提取，将提取的特征作为迁移学习的最终知识库，用于识别Android Bug报告的严重程度。通过上述方法可以实现Android Bug报告管理系统中Bug报告严重程度的自动预测，节省了Bug报告严重程度预测所需的时间成本和人力成本，提升了工作效率。
-
公开(公告)号：CN109491914A
公开(公告)日：2019-03-19
申请号：CN201811333585.3
申请日：2018-11-09
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于不平衡学习策略高影响缺陷报告预测方法：使用文本预处理方法对缺陷报告的文本信息进行处理；将处理后文本信息分储为训练集和测试集；对训练集做多次数据平衡处理；使用多个分类器对经过平衡处理的训练集进行训练；把多个分类器的优点进行集成并输出；使用文本特征提取模块来对测试集中的缺陷报告进行文本特征提取；使用训练好的模型对测试集中的缺陷报告进行预测。本发明克服了数据的不平衡特性并加以利用，将不平衡学习策略与约束求解相结合，基于不同分类算法的不同能力，提出了利用权重优化每个分类器的判别概率以提高分类效果，并将优化后的多个分类器进行集成，通过获取更合适的权重来获得更高的准确率。
-
公开(公告)号：CN109408726A
公开(公告)日：2019-03-01
申请号：CN201811333596.1
申请日：2018-11-09
Applicant: 大连海事大学
IPC: G06F16/9535
Abstract: 本发明公开了一种问答网站中问题回答者推荐方法，具有如下步骤：推荐系统接收提问者信息以及问题信息，提取问答网站的数据；构建用户间关系的网络图；将网络图利用Weighted LeaderRank算法得出用户排名；对所有用户形成一个社团分类；根据用户排名和社团分类，确定出每个社团中的用户排名；根据提问者用户在问答网站中的id在推荐系统中确认所属社团，并且推荐给该社团中活跃度为α以上的用户，由其来解答问题，然后将答案反馈给提问者用户。本发明通过对提问者进行社团划分，然后推荐给与其相同社团的用户，能够缩短问题解决的时间，提高问题回答的准确性和质量，促进技术性问答网站中问题的解决。
-
公开(公告)号：CN109948940B
公开(公告)日：2023-08-18
申请号：CN201910229952.3
申请日：2019-03-26
Applicant: 大连海事大学
IPC: G06Q10/0631 , G06F11/36
Abstract: 本发明公开了一种基于启发式算法的Web服务众包测试任务分配方法，包括以下步骤：S1：请求者将多个众包工作以测试任务的形式提交众包平台；S2：任务分配优化系统建立至少包含测试任务属性、测试工人属性、分配因素的任务分配模型，根据任务分配模型确认目标函数和约束条件；S3：任务分配优化系统基于任务分配模型采用HE算法进行测试任务和测试工人之间的优化分配，并根据众包平台设置的任务发布条件发布任务，并将任务信息显示给测试工人；S4：测试工人完成相应任务后将结果反馈给众包平台，众包平台将各任务的完成结果进行归纳整理。
-
Patent Agency Ranking
公开(公告)号：CN109934286B
公开(公告)日：2022-11-11
申请号：CN201910183106.2
申请日：2019-03-12
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于文本特征提取和不平衡策略的识别Bug报告严重程度的方法，该方法通过对bug报告数据集进行不平衡及基于遗传算法的文本特征提取操作，生成的分类模型对新提交的bug报告进行分类时没有偏向，拟合趋于平衡，避免了分类时的局限性；经过提取操作，可以实现特征与实例的同时提取，得到规模更小且质量更高的数据集，提高了bug报告严重程度识别的准确率，节省了bug严重程度识别的时间成本和人力成本，提升了工作效率，方便开发者优先处理严重程度更高的bug报告。
-
公开(公告)号：CN111290756A
公开(公告)日：2020-06-16
申请号：CN202010085043.X
申请日：2020-02-10
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于对偶强化学习的代码-注释转换方法，包括：将代码转换成注释阶段：建立代码注释生成模型，将代码转换为词向量，使用LSTM双向神经网络对代码词向量中的序列和结构信息进行特征提取；使用注意力机制对词向量中的各个词分配权重得到每个词的权重；对各词向量及其权重进行融合，使用梯度下降法计算每个词被选择的概率；对每个词的权重和每个词被选择的概率进行对偶约束；使用BLEU评估方法计算每个序列和数据集中的标准注释的匹配程度，并除以n求平均值作为每个词在的强化学习中的奖励值。
-
公开(公告)号：CN110554964A
公开(公告)日：2019-12-10
申请号：CN201910834368.0
申请日：2019-09-03
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于深度强化学习的Web服务众包测试任务分配方法，包括：根据众包平台上的工人池和任务池内的数据信息、对深度强化学习的Web服务测试任务分配模型进行训练；众包平台接收需求者提交的测试任务，使用完成训练的Web服务测试任务分配模型进行测试任务的分配；工人接受并执行任务、将任务测试结果反馈给众包平台，众包平台将工人反馈的测试结果传送给相应的任务需求者。本方法通过使用深度强化学习方法DQN来训练Web服务测试任务分配模型，达到了对Web服务众包测试任务进行实时分配的效果，可以在一定程度上保证测试任务能够交由众包测试平台上比较合适的测试人员来处理，提升了测试效果。
-
公开(公告)号：CN110472247A
公开(公告)日：2019-11-19
申请号：CN201910770984.4
申请日：2019-08-20
Applicant: 大连海事大学
Abstract: 本发明公开了一种多语义信息融合网络预测帖子回答时间的方法，包括如下步骤：选取N条帖子并提取每个帖子的数据特征，其中数据特征包括帖子的问题描述、帖子的标题，帖子的标签，帖子的创建时间和帖子的星期特征信息，利用帖子的数据特征预测帖子的回答时间；利用doc2vec模型将帖子的数据特征转换为向量、并将向量输入至全连接神经网络模型内利用sigmoid函数预测帖子的回答时间。该方法在预测的过程中，考虑了帖子的描述信息、标题信息以及标签等特征信息，相比于只考虑单一特征的方法预测的更加准确。
-
-
-
-
-
-
-
Search Results
29
records
(took 0.029 seconds)
