首页期刊导航|计算机应用
期刊信息/Journal information
计算机应用
计算机应用

张景中

月刊

1001-9081

bjb@joca.cn

028-85224283(或85222239)转803

610041

成都市人民南路四段九号（成都237信箱）

计算机应用/Journal Journal of Computer ApplicationsCSCD北大核心CSTPCD
查看更多>>《计算机应用》月刊，于1981年创刊，由中国科学院成都计算机应用研究所主办，是国内较早公开发行的计算机技术刊物，在计算机自动化领域有较大影响。《计算机应用》紧紧围绕“应用”，登载应用、开发中的高水平学术技术论文、重大应用成果和典型应用经验。读者对象为各行业、各部门从事计算机应用基础、应用工程、应用软件、应用系统工作的工程技术人员、科研人员和大专院校师生。《计算机应用》多次荣获全国优秀科技期刊奖、国家期刊奖提名奖，被评为中国期刊方阵双奖期刊、中文核心期刊和中国科技核心期刊。被中国科学引文数据库、中国科技论文统计源数据库等国家重点检索机构列为引文期刊，并被英国《科学文摘》（SA）、俄罗斯《文摘杂志》（AJ）、日本《科学技术文献速报》（JST）、美国《剑桥科学文摘：材料信息》（CSA：MI）、美国《乌利希国际期刊指南》(UIPD)等国际重要检索系统列为来源期刊。《计算机应用》月刊内容新颖、信息丰富、印刷精美（大16开本，290页），是您学习计算机应用理论，借鉴计算机应用技术，参考计算机应用经验的最佳选择。
正式出版
收录年代

    联邦学习的公平性综述

    张淑芬张宏扬任志强陈学斌...
    1-14页
    查看更多>>摘要：联邦学习(FL)凭借分布式结构和隐私安全的优势快速发展,但大规模FL引发的公平性问题影响了FL系统的可持续性.针对FL的公平性问题,对近年FL公平性的研究工作进行了系统梳理和深度分析.首先,对FL的工作流程和定义进行了解释,总结了FL中的偏见和公平性概念;其次,详细归纳了FL公平性研究中常用的数据集,探讨了公平性研究所面临的挑战;最后,从数据源选择、模型优化、贡献评估和激励机制这4个方面归纳梳理了相关研究工作的优缺点、适用场景以及实验设置等,并展望了FL公平性未来的研究方向和趋势.

    联邦学习公平性数据选择模型优化贡献评估激励机制

      原文链接:
    • 万方数据

    基于有向超图自适应卷积的链接预测模型

    赵文博马紫彤杨哲
    15-23页
    查看更多>>摘要：图神经网络(GNN)为链接预测提供了多样化的解决方案,但由于普通图的结构限制,目前的相关模型在充分利用顶点间的高阶及不对称信息方面存在明显的不足.针对以上问题,提出一种基于有向超图自适应卷积的链接预测模型.首先,使用有向超图结构更充分地表示顶点间的高阶和方向信息,兼具超图和有向图的优势;其次,有向超图自适应卷积采用自适应信息传播方式替代传统有向超图中的定向信息传播方式,从而解决了有向超边尾部顶点不能有效更新嵌入的问题,同时解决多层卷积导致的顶点过度平滑问题.在Citeseer数据集上基于显式顶点特征的实验结果显示,在链接预测任务上,相较于有向超图神经网络(DHNN)模型,所提模型的ROC(Receiver Operating Characteristic)曲线下面积(AUC)指标提升了2.23个百分点,平均精度(AP)提升了1.31个百分点.因此,所提模型可以充分表达顶点间的关系,并有效提高链接预测任务的性能.

    图神经网络有向超图链接预测超图卷积表示学习自适应卷积

      原文链接:
    • 万方数据
    • 维普

    物联网威胁情报知识图谱中潜在关系的挖掘

    程子栋李鹏朱枫
    24-31页
    查看更多>>摘要：知识图谱对实现物联网威胁情报(ITI)的共享与利用具有重要意义,图神经网络(GNN)可以应用于ITI知识图谱(ITIKG)的知识表示任务,进而挖掘ITIKG的潜在关系;然而,当前大多数GNN没有考虑节点类型对节点表示能力的影响,且在节点信息聚合过程中使用随机策略进行节点采样,导致这些GNN不能区分不同距离的邻居,且没有考虑节点之间的关联性或重要性.为了解决这些问题,首先,基于不同数据源构建ITIKG;然后,设计确定性采样方法,从而基于节点的重要性采样根节点的邻居,并且考虑邻居距根节点的距离以及邻居在图中的中心性度量,即Katz中心性和中介中心性;最后,设计节点、节点模态和节点类型的嵌入和聚合方法.在此基础上,提出基于确定性采样的多模态异构图神经网络(DM-HGNN)模型.在所构建的ITIKG上的链接预测实验的结果表明,DM-HGNN模型的性能优于metapath2vec、多模态知识图谱表示学习模型(MMKRL)以及复杂图卷积网络(ComplexGCN)等知识表示模型,相较于次优模型MMKRL,DM-HGNN模型在曲线下面积(AUC)上提高了6.8%,在F1值上提高了7.1%,展示了DM-HGNN模型在链接预测任务上有效性和先进性.

    物联网安全威胁情报知识图谱图神经网络知识表示链接预测

      原文链接:
    • 万方数据
    • 维普

    融合路径与子图特征的知识图谱多跳推理模型

    李瑞李贯峰胡德洲高文馨...
    32-39页
    查看更多>>摘要：针对知识推理模型在捕获实体之间的复杂语义特征方面难以捕捉多层次语义信息,同时未考虑单一路径的可解释性对正确答案的影响权重不同等问题,提出一种融合路径与子图特征的知识图谱(KG)多跳推理模型PS-HAM(Hierarchical Attention Model fusing Path-Subgraph features).PS-HAM将实体邻域信息与连接路径信息进行融合,并针对不同路径探索多粒度的特征.首先,使用路径级特征提取模块提取每个实体对之间的连接路径,并采用分层注意力机制捕获不同粒度的信息,且将这些信息作为路径级的表示;其次,使用子图特征提取模块通过关系图卷积网络(RGCN)聚合实体的邻域信息;最后,使用路径-子图特征融合模块对路径级与子图级特征向量进行融合,以实现融合推理.在两个公开数据集上进行实验的结果表明,PS-HAM在指标平均倒数秩(MRR)和Hit@k(k=1,3,10)上的性能均存在有效提升.对于指标MRR,与MemoryPath模型相比,PS-HAM在FB15k-237和WN18RR数据集上分别提升了1.5和1.2个百分点.同时,对子图跳数进行的参数验证的结果表明,PS-HAM在两个数据集上都在子图跳数在3时推理效果达到最佳.

    知识图谱多跳推理子图特征路径提取特征融合

      原文链接:
    • 万方数据
    • 维普

    层次融合多元知识的命名实体识别框架——HTLR

    吕学强王涛游新冬徐戈...
    40-47页
    查看更多>>摘要：中文命名实体识别(NER)任务旨在抽取非结构化文本中包含的实体并给它们分配预定义的实体类别.针对大多数中文NER方法在上下文信息缺乏时的语义学习不足问题,提出一种层次融合多元知识的NER框架——HTLR(Chinese NER method based on Hierarchical Transformer fusing Lexicon and Radical),以通过分层次融合的多元知识来帮助模型学习更丰富、全面的上下文信息和语义信息.首先,通过发布的中文词汇表和词汇向量表识别语料中包含的潜在词汇并把它们向量化,同时通过优化后的位置编码建模词汇和相关字符的语义关系,以学习中文的词汇知识;其次,通过汉典网发布的基于汉字字形的编码将语料转换为相应的编码序列以代表字形信息,并提出RFE-CNN(Radical Feature Extraction-Convolutional Neural Network)模型来提取字形知识;最后,提出 Hierarchical Transformer模型,其中由低层模块分别学习字符和词汇以及字符和字形的语义关系,并由高层模块进一步融合字符、词汇、字形等多元知识,从而帮助模型学习语义更丰富的字符表征.在Weibo、Resume、MSRA和OntoNotes4.0公开数据集进行了实验,与主流方法NFLAT(Non-Flat-LAttice Transformer for Chinese named entity recognition)的对比结果表明,所提方法的F1值在4个数据集上分别提升了9.43、0.75、1.76和6.45个百分点,达到最优水平.可见,多元语义知识、层次化融合、RFE-CNN结构和Hierarchical Transformer结构对学习丰富的语义知识及提高模型性能是有效的.

    命名实体识别自然语言处理知识图谱构建词汇增强字形增强

      原文链接:
    • 万方数据
    • 维普

    强化学习和矩阵补全引导的多目标试卷生成

    邢长征梁浚锋金海波徐佳玉...
    48-58页
    查看更多>>摘要：针对现有的试卷生成技术存在过多关注生成试卷的难易程度,而忽略了其他相关目标,例如质量、分数分布和技能覆盖范围的问题,提出一种强化学习和矩阵补全引导的多目标试卷生成方法,以优化试卷生成领域的特定目标.首先,运用深度知识追踪方法对学生之间的交互信息和响应日志进行建模以获取学生群体的技能熟练程度;其次,运用矩阵分解和矩阵补全方法对学生未做的习题进行得分预测;最后,基于多目标试卷生成策略,为提升Q网络的更新效率,设计一个Exam Q-Network函数逼近器以自动地选择合适的问题集来更新试卷组成.实验结果表明,相较于DEGA(Diseased-Enhanced Genetic Algorithm)、SSA-GA(Sparrow Search Algorithm-Genetic Algorithm)等模型,在试卷难度、合理性、准确性这3个指标上验证了所提模型在解决试卷生成场景的多重困境方面上效果显著.

    多目标试卷生成深度知识追踪Q网络矩阵分解矩阵补全

      原文链接:
    • 万方数据
    • 维普

    基于多路层次化混合专家模型的轴承故障诊断方法

    徐欣然张绍兵成苗张洋...
    59-68页
    查看更多>>摘要：针对滚动轴承故障诊断中处理复杂工况准确率较低的问题,提出一个多任务学习(MTL)模型,即多路层次化混合专家(MHMoE)模型,以及对应的层次化训练模式.该模型结合多阶段、多任务联合训练,实现了层次化的信息共享模式,并在普通MTL模式的基础上进一步提升了模型的泛化性和故障识别准确率,使模型能同时在复杂与简单的数据集上出色地完成任务,同时,结合一维ResNet的瓶颈层结构,在保证网络深度的同时,也规避梯度爆炸与梯度消失等问题,从而能充分地提取数据集的相关特征.以帕德博恩大学轴承故障数据集(PU)为测试数据集设计的实验的结果表明,在不同工况复杂度下,与不使用MTL的单任务混合专家单元结构(OMoE)-ResNet18模型相比,所提模型的准确率提升5.45～9.30个百分点;而与集成经验模态分解的Hilbert谱变换方法(EEMD-Hilbert)、MMoE(Multi-gate Mixture-of-Experts)和多尺度多任务注意力卷积神经网络(MSTACNN)等模型相比,所提模型的准确率至少提升3.21～16.45个百分点.

    轴承故障诊断预测性维护多任务学习深度学习卷积神经网络

      原文链接:
    • 万方数据
    • 维普

    融入实体翻译的汉越神经机器翻译模型

    高盛祥侯哲余正涛赖华...
    69-74页
    查看更多>>摘要：在汉越低资源翻译任务中,句子中的实体词准确翻译是一大难点.针对实体词在训练语料中出现的频率较低,模型无法构建双语实体词之间的映射关系等问题,构建一种融入实体翻译的汉越神经机器翻译模型.首先,通过汉越实体双语词典预先获取源句中实体词的翻译结果;其次,将结果拼接在源句末端作为模型的输入,同时在编码端引入"约束提示信息"增强表征;最后,在解码端融入指针网络机制,以确保模型能复制输出源端句的词汇.实验结果表明,该模型相较于跨语言模型XLM-R(Cross-lingual Language Model-RoBERTa)的双语评估替补(BLEU)值在汉越方向提升了1.37,越汉方向提升了0.21,时间性能上相较于Transformer该模型在汉越方向和越汉方向分别缩短3.19%和3.50%,可有效地提升句子中实体词翻译的综合性能.

    汉越神经机器翻译实体翻译双语词典指针网络低资源

      原文链接:
    • 万方数据
    • 维普

    基于提示学习和全局指针网络的中文古籍实体关系联合抽取方法

    李斌林民斯日古楞高颖杰...
    75-81页
    查看更多>>摘要：基于"预训练+微调"范式的实体关系联合抽取方法依赖大规模标注数据,在数据标注难度大、成本高的中文古籍小样本场景下微调效率低,抽取性能不佳;中文古籍中普遍存在实体嵌套和关系重叠的问题,限制了实体关系联合抽取的效果;管道式抽取方法存在错误传播问题,影响抽取效果.针对以上问题,提出一种基于提示学习和全局指针网络的中文古籍实体关系联合抽取方法.首先,利用区间抽取式阅读理解的提示学习方法对预训练语言模型(PLM)注入领域知识以统一预训练和微调的优化目标,并对输入句子进行编码表示;其次,使用全局指针网络分别对主、客实体边界和不同关系下的主、客实体边界进行预测和联合解码,对齐成实体关系三元组,并构建了PTBG(Prompt Tuned BERT with Global pointer)模型,解决实体嵌套和关系重叠问题,同时避免了管道式解码的错误传播问题;最后,在上述工作基础上分析了不同提示模板对抽取性能的影响.在《史记》数据集上进行实验的结果表明,相较于注入领域知识前后的OneRel模型,PTBG模型所取得的F1值分别提升了1.64和1.97个百分点.可见,PTBG模型能更好地对中文古籍实体关系进行联合抽取,为低资源的小样本深度学习场景提供了新的研究思路与方法.

    实体关系联合抽取全局指针网络提示学习预训练语言模型中文古籍

      原文链接:
    • 万方数据
    • 维普

    面向长尾分布的民众诉求层次多标签分类模型

    刘昕杨大伟邵长恒王海文...
    82-89页
    查看更多>>摘要：接诉即办是实现社会治理智能化、提高人民满意度的重要举措,其中精准分析民众诉求智能匹配工单处理部门,实现诉求的快速响应、高效办理尤为关键;然而,民众诉求数据中的诉求描述不清晰、类别混淆且比例失衡会导致诉求类别分析困难,影响了智能派单的效率与准确性.针对上述问题,提出编解码器结构的诉求层次多标签分类模型(HMCHotline).首先,在文本编码器中引入诉求领域中的细粒度关键词先验知识以抑制噪声干扰,并融合诉求的时空信息提高语义特征的判别力;其次,利用标签层次结构生成具有层次与语义感知的标签嵌入,并构建基于Transformer模型的标签解码器,利用诉求的语义特征和标签嵌入进行标签解码;同时,在标签的层级依赖关系基础上引入动态标签表策略限制标签的解码范围,以解决标签不一致问题;最后,采用Softmax分组策略将样本数量相近的标签类别分为同组进行Softmax操作,从而缓解由标签长尾分布导致的分类准确率低的问题.在Hotline、RCV1(Reuters Corpus Volume I)-v2和WOS(Web Of Science)数据集上的实验结果表明,相较于层次感知的标签语义匹配网络(HiMatch),所提模型的Micro-F1分别提高了1.65、2.06和0.43个百分点,验证了模型的有效性.

    接诉即办智能派单层次多标签分类先验知识长尾分布编解码器

      原文链接:
    • 万方数据
    • 维普