一种基于多实例的自适应用户模型
一种基于多步预测的自校正控制算法研究
２ 算 法设计
选 取性 能指 标 函数 为
． Ｅ｛∑ ［（ ＋） Ｙ 七 ｊ］ ， ＝ ｙ七 ＿ 一ｒ ＋） 『 （ 『 ＋
Ｊ ０ ＝Ⅳ
Ｎ
１ 模 型 描 述
预 测 控 制 采 用 受 控 自 回 归 滑 动 平 均 过 程 模 型
（ Ａ Ｉ 引， Ｃ ＲＭＡ） 它具有可描述非平稳扰动 、 可使系统
一
输 出稳 态误 差 为 ０、 消 除 阶 跃 扰 动 引起 的偏 差 的特 可 点． 其表 达形 式 为
Ａ ｚ 。 ， ） （ ） （ 一 ） Ｃ ｚ 七／ １ ｚ （ ） （一）（ ＝ ｚ ｕ ｋ １ ＋ （一）（ ） （ 一 ） １ ）
即
（ 一） （ ）＝Ｂ Ｚ ‘Ａ （ 一１ ｚ 。Ｙ ｋ （ 一） ｕ ｋ ）＋Ｃ（ 一） ｋ （ ） Ｚ （ ） ２ 式中 ， Ｚ Ａ（ 一）＝１＋ａｚ ’ ｌ一 ＋… ＋ａ 一 Ｂ（ 一 ）＝ｂ ｚ ； Ｚ ｏ＋ ｂｚ ｌ一 ＋… ＋ ｎ 一 ｃ ｚ １＋ ｌ一 ｂｂ ； （ 一）＝ ＣＺ ＋… ＋ ｎ 一 Ａ Ｚ Ｃｃ ～； ｕ Ｚ （ ） （ ）一 （ 七 ＝ 七 “ ｋ一１ ； Ｚ ）Ａ（ 一）＝（ １一Ｚ Ａ（ 一 ）＝ 一） Ｚ
稳定 系统 以及 非线 性 系 统 … ． 义预 测 控 制 的研 究 逐 广 渐 拓展 ， 其应 用范 围 十分广 泛 ， 在 网络遥 操作 机器 人 如 系统 、 温控 系统 以及化 工生 产 中 Ｊ与最 小 方差 自校 ． 正控制 不 同的是 ， 预测 控 制 可 以预测 未来 多 步 模 型 的 输 出， 并且在 多步 时段 内 ， 制也 有 多步作 用 ． 控 于是 ， 对 输 出的预测 ， 既有 原来 施加 控制 的影 响 ， 之 为零输 人 称
一种基于小波网络的模型参考间接自适应控制方法
收稿 Ｅ期 ： ０ —０ — ｌ ２ ６ ６ ２ ０ ６
维普资讯
《 动 技 与 用》０７ 第２卷 期 自 化 术 应 ２０年 ６ 第２
控 制 理 论 与 应 用
Ｃｏｎ ｒ ＩＴｈ ｏｒ ｄ Ａｏ ｌ ａｔ ｎｓ ｔｏ ｅ ｙ ａｎ Ｄ ｉ ｉ ｃ ｏ
Ａｂｓｒ ｃ ： ｉ ａ ｅ ｒ ｓ ｎ ｓａｍ ｏ ｅ ｅｅ ｅ ｃ ｎ ｉｅ ｔ ｄ ｐｉ ｅｃ ｎ ｒ ｌｍｅｈ ｄ ｗｈ ｃ ｓｂ ｓ ｄｏ ｗｏｗａ ｅｅ ｅｗｏ ｋ ｓｔ ｅ ｔ ａ ｔＴｈ ｓｐ ｐ ｒｐ ｅ ｅ ｔ ｄ ｌ ｆｒ ｎ ｅ ｉｄ ｒｃ ａ ｔ ｏ ｔｏ ｔ ｏ ， ｉｈｉ ａ ｅ ｎ ｔ ｖ ｌｔ ｔ ｒ ｓａ ｈ ｒ ａ ｖ ｎ ｃ ｎ ｒ ｌ ｒａ ｄｉ ｅ ｔｆ ｒ． ｍｐ ｒｓ ｎ ｔ ｈ ｔ ｅ ｅ ｒ ｌ ｅｗｏ ｋｃ ｎ ｒ ｌｓ ｓｅ ｓａ ｅａｓ ｉ ｅ ｏ ｔｏ ｌ ｎ ｄ ｎ ｉｉ ｅ ｅ Ｃｏ ａ ｉｏ ｓｗｉｈ ｔｅｏ ｈ ｒｎ ｕ ａ ｔ ｒ ｏ ｔｏ ｙ ｔｍ ｒ ｌｏｇ ｖ ｎ． ｎ Ｋｅ ｏ ｄｓ ｍ ｏ ｅ ｅ ｅｅ ｃ ｎ ｉｅ ｔ ｄａ ｔ ｅｃ ｎｒ ｌ ｗａ ｅｅ ｅ ｗｏ ｋ ｎ ｕ ａ ｅｗｏ ｋ ｙＷ ｒ ： ｄ ｌ ｆｒ ｎ ｅｉｄ ｒ ｃ ｐｉ ｏ ｔｏ ； ｖ ｌｔｎ ｔ ｒ ； ｅ ｒｌｎ ｔ ｒ ｒ ａ ｖ
Ｗ ａ ｅｅ ｔ ｒ ． ａ ｅ ｄ Ｉ ｆ ｒ ｎ ｅ ｖ ｌｔ Ｎｅｗｏ ｋ Ｂ ｓ ｄ Ｍｏ ｅ ｅ ｅ ｃ Ｒｅ
Ｉｄｒｃ ａ ｔ ｅＣｏ ｔ ｌ ｎｉ ｔ ｅ Ａｄ ｐｉ ｎｒ ｖ ｏ
ＸＵ ｈ－ａ ＣＨＥ Ｚ ｉ ｉ， ｊ ＮＧ ｈ ｎｍｅ Ｓａ－ ｉ
（ ａｈ ｎ ｉｅｓ ｙｏ ｃｅ ｃ ｄＴ ｃ ｎ ｌｇ ， ｈ ３ ０ ４Ｃ ｉａ Ｈｕ ｚ ｏ ｇＵｎｖ ｒｉ ｆ ｉｎｅａ ｅｈ ｏｏ ｙ ｔ Ｓ ｎ Ｗｕ ａ ４ ０ ７ ， ｈｎ ） ｎ
一种自适应的软构件反射结构模型
种 软 构件 的反 射结 构模 型 ， 其 具有 良好 的灵 活性 使 和适 应性 ， 高软件 复 用水平 。 提
种 瞬息万 变 的 需求 ， 统 “ 制 式 ” 软 件 开 发 很 传 定 的
难适 应快 速变 化 的用户 需 求 。为适 应 动态 的运 行 环境 和多 变 的用户需 求 ， 软件 系统 必须 具有 一定 的
张 薇 肖 刚 张 元鸣 高 飞 陆佳 炜
（ 浙江工业大学信息 工程 学院 杭州 ３ ０ １ ） １０ ４ 摘 要 基 于反射技 术 ， 出一种 自适应 软构 件的反射结构模型 。在此基础上 ， 提 设计用于描述 软构件 自身特征 的元对 软构 件 反射 元对象协议
象， 并通过元对象协议 中的方法调用支持构件运行 时的变化。通过实例说 明应用反射技术 ， 提高构件灵活性和适应性 。 关键词 自适应性
灵 活性和适 应性 。
２ 反射 技 术
反 射 的概 念 最 早 出现 在人 工 智 能 领域 ， 随后 被 引 入 程 序 设 计 语 言 的研 究 。１ ８ ９ ７年 Ｍａｓ ｅ
基于构 件 的软 件 开发 （ Ｂ Ｄ） 术 卜＿ 是 一 ＣＳ 技 ４
首 先 系统 阐述 了计算 机 反射 和反 射 系统 的概念 ， 随 后 反射 开始 在 许 多 领域 得 到研 究 与 应 用 。反 射 系 统 要求 系 统本 身具 有 自描述 的能 力 ， 这种 自描述 系
层 上 的实体 称 为元 对 象 （ ｅａ—ｏｊ ｔ ， 对 象 的 ｍ ｔ ｂｅ ）元 ｃ
类是 元类 。元对 象提 供 的服务 由元 对象 协议 （ ｔ Ｍｅ ａ
—
Ｏ ｊｃ Ｐｏ ｃｌ ＭＯ ） 描述 。反 射系 统 的具体 ｂｅｔ ｒｔ ｏ， Ｐ 来 ｏ
医学图像分析中的多实例学习算法研究
医学图像分析中的多实例学习算法研究医学图像分析是医学界的一个重要领域，它通过对医学图像的分析来帮助诊断医学病例。
随着医学图像的复杂性和数量的增加，传统的医学图像分析方法已经无法满足实际需求，因此需要新的算法来解决这个问题。
其中，多实例学习算法是医学图像分析中的一种比较新的算法，并且近年来得到了越来越多的关注和应用。
多实例学习算法是一种机器学习算法，它可以从一组实例中学习并预测目标变量。
在医学图像分析中，每个实例通常表示一张医学图像，而目标变量则表示图像所对应的疾病。
因此，多实例学习算法通常用于对医学图像进行分类。
与传统的机器学习算法不同，多实例学习算法可以处理多实例分类问题，即一组实例中可能存在多个正例和负例。
在医学图像分析中，这种情况很常见，因为同一张医学图像可能存在多个异常区域，而每个异常区域都可以被视为一个正例。
多实例学习算法的核心思想是将多个实例看作一个整体进行分类。
具体来说，在医学图像分析中，多实例学习算法会将一组医学图像看作一个整体，并将其与正例和负例相比较，以确定这组医学图像的分类。
值得注意的是，多实例学习算法有许多不同的变体，每个变体都有其独特的优点和缺点。
在医学图像分析中，常用的多实例学习算法包括共享神经网络、Bagging、Boosting等。
共享神经网络是一种用于处理多实例学习问题的深度学习算法。
它利用卷积神经网络对医学图像进行特征提取，并将所有实例组合在一起进行分类。
共享神经网络的优点是可以自动学习图像特征，并且可以处理大规模数据集。
但是，它需要大量的计算资源和时间，并且可能过拟合对小数据集。
Bagging是一种基于Bootstrap抽样的多实例学习算法。
它将一组医学图像分成若干个子集，并将每个子集作为一个实例。
然后，Bagging将每个子集与正例和负例进行比较，并将结果汇总以确定整个组的分类。
Bagging的优点是可以减少方差，提高分类准确性，并且不容易过拟合。
但是，它可能需要更多的训练时间，并且无法解决偏差问题。
基于领域自适应的跨域目标检测方法
首先，在源数据集上预训练初始目标检测模型；然后，利 用无监督学习技术，将目标数据集中的未标记样本用于模 型调整，最小化源域和目标域之间的差异。
领域自适应技术
采用对抗训练、风格转换等方法，减小源域和目标域之间 的分布差异，提高模型在目标域上的泛化能力。
结果展示和分析
准确率
基于领域自适应的跨域目标检测方法在目标域上的准确率得到显著 提升，表明模型能够更准确地识别目标对象。
上取得良好的性能。
目的
领域自适应旨在减小源领域与目 标领域之间的差异，使模型能够
适用于不同但相关的领域。
常用方法
领域自适应方法包括特征对齐、 对抗训练、自适应批归一化等， 这些方法将在后续内容中详细介
绍。
报告的结构和主要内容
结构
本文首先介绍跨域目标检测的意义及领域自适应的基本概念 ，接着将详细介绍基于领域自适应的跨域目标检测方法的原 理、实现细节及实验结果，最后对全文进行总结。
01
基于领域自适应的跨域目 标检测方法
方法总览
• 基于领域自适应的方法旨在解决源域和目标域之间的分布差异 ，提高目标检测的精度。这类方法通常包括特征对齐、对抗训 练等技术手段，通过减小域间差异，实现对目标域的高效检测 。
深度学习在跨域目标检测中的应用
深度学习在跨域目标检测中发挥着关 键作用，通过神经网络提取源域和目 标域的特征，并学习一个映射关系， 使得源域的知识能够迁移到目标域中 。常用的深度学习模型包括卷积神经 网络（CNN）、循环神经网络（ RNN）等。
03
弱监督与无监督领域 自适应
当前的领域自适应方法大多依赖于一 定的监督信息，如何进一步减少对监 督信息的依赖，实现弱监督或无监督 的领域自适应，是一个具有潜力的研 究方向。
基于体系结构的网构软件自适应方法
中国科学 E 辑: 信息科学 2008年 第38卷 第6期: 901 ~ 920 901《中国科学》杂志社SCIENCE IN CHINA PRESS 基于体系结构的网构软件自适应方法梅宏①②*, 黄罡①②, 兰灵①②, 李军国①②① 北京大学高可信软件技术教育部重点实验室, 北京 100871;② 北京大学信息科学技术学院软件研究所, 北京 100871* E-mail: meih@收稿日期: 2007-12-24; 接受日期: 2008-03-06国家重点基础研究发展规划(批准号: 2002CB312000)和国家自然科学基金(批准号: 90612011)资助项目摘要 作为网构软件的基本特性之一, 自适应性是指软件系统在预设策略的指导下自动地监测系统状态信息, 并在必要时对自身进行调整, 以提供更好的服务. 针对网构软件可适应性、自适应可操作性及适应结果可信性3个基本问题, 提出了一种以体系结构为中心的网构软件自适应方法, 即监测、分析、规划、实施等自适应活动均围绕软件体系结构展开, 其中, 网构软件运行状态和行为以运行时软件体系结构的方式实时展现和在线调整; 自适应相关知识通过软件体系结构记录、组织和加工, 以实现系统状态和行为的自动分析和调整规划.关键词 网构软件 自适应 软件体系结构 中间件网构软件是Internet 环境下一种新的软件形态, 具有自主性、协同性、反应性、演化性和多态性等特点[1]. 这些特性在技术上的共性之一可归结为自适应性, 即, 网构软件在运行过程中能够在合适的时刻、合适的场合、准确捕捉变化并进行合理的适应性调整, 以满足功能和质量的需求[2]. 从国内外研究与实践看, 自适应技术并不是一个网构软件独有的、新的话题. 然而, 不论已有成果和经验能否适用于网构软件, 系统化的网构软件自适应需首先解决3个基本问题:■ 网构软件可适应性问题: 即, 哪些或哪类变化可以被感知或理解, 以及哪些或哪类适应性调整可以被实施, 这是网构软件实现系统化自适应的首要问题. 理论上, 网构软件这种典型的人工制品的所有变化都可以被感知或理解, 并实施适应性调整. 但Internet 环境开放、动态、难控等特点, 从实用或实践的角度限定了网构软件自适应的范围.■ 自适应可操作性问题: 即, 在给定的可适应范围中, 如何操作才能实现自适应. 这是网构软件自适应的核心问题. 以自治计算[3]为例, IBM 从产业实践的角度给出了一个以知识为中心、对可管理实体分步骤进行监测、分析、规划和实施的自治计算模型, 并按照人参与系统梅宏等: 基于体系结构的网构软件自适应方法管理的程度划分了基础级、可管理级、可预测级、自适应级、自治级等5个可操作级别. 尽管自治计算模型及其分级给出了一个具有普适意义的自适应可操作性原理, 但仍需针对网构软件进行特化和细化, 如, 知识在每个活动中的表现及应用、活动之间的自动衔接等, 从而形成实际可操作的网构软件自适应基本结构与机理.■ 自适应结果可信性问题: 主要包括自适应操作是否正确以及是否达到预期效果. 这是网构软件自适应得以实际应用的关键问题. 前者需要评估适应后的网构软件的功能正确性, 后者需要评估网构软件的性能、可靠、安全等质量属性(因为它们是网构软件自适应的主要目标). 这些指标均属于网构软件可信性的范畴, 而可适应范围的有限性则决定了自适应的可信性是网构软件可信性的一个子集.从技术角度看, 上述3个基本问题可分别具体化为“如何看待和理解网构软件基本形态”、“如何监控网构软件并进行分析决策”、“如何评估网构软件功能正确性和主要质量属性”. 我们认为, 软件体系结构(software architecture, SA)为系统化地研究并解决这些基本问题提供了一条切实可行的技术途径, 因为:■ SA为考察网构软件自适应范围提供了全面、系统、易于理解的模型: SA是一组构件、连接子以及约束所描述的软件系统总体结构[4], 能够自然地描述网构软件的基本形态, 即, 一组分布于Internet 环境下各个节点的、具有主体化特征的软件实体, 以及一组用于支撑这些软件实体以各种交互方式进行协同的连接子[5]. 因此, 网构软件的自适应具体表现为软件实体、软件交互、以及运行环境的自适应, 这些因素可分别建模为SA中的构件、连接子、约束和变化.■ SA为网构软件自适应提供了强有力的可操作性支持: 首先, 自适应的广度和深度取决于相关知识的获取(隐性知识转变为显性知识)、组织(劣构知识转变为良构知识)和加工(描述性知识升级为推理性知识). 作为一种模型化、支持分析与决策的高层结构, SA是一种有效的网构软件自适应知识的载体; 其次, 作为软件工程中分析和控制整个系统功能性与质量的主要手段之一, SA相关的方法和技术可直接支持监测、分析、规划、实施等自适应主要活动; 进一步地, 围绕SA展开这些活动, 为整个自适应过程的无缝衔接提供了自然的支持.■ SA有助于网构软件自适应结果可信性的评估: 在传统软件系统开发过程中, 软件体系结构是保障目标软件功能性、性能、可靠、安全等系统级质量属性的主要手段, 尤其体现在对这些可信指标的评估方面. 网构软件作为传统软件在Internet环境下的一种自然延伸, 其可信性评估在一定程度上可以复用或受益于已有的SA评估方法与技术. 随着网构软件体系结构模型研究[2]的深入, SA将在网构软件适应结果可信性的评估中起到越来越重要的作用.基于上述讨论, 本文提出了一种基于体系结构的网构软件自适应方法. 本文余下的部分组织为: 第1节概述整个方法; 第2节介绍关键技术; 第3节以J2EE性能基准程序ECPerf为例展示方法的可行性与有效性; 第4节介绍相关工作; 最后总结全文并展望未来工作.1方法概述所谓以软件体系结构为中心的自适应, 是指自适应知识由SA承载, 自适应活动基于SA 进行. 如图1所示的自适应模型, 为了有效支持自适应知识的获取、组织和加工, SA需具备4902中国科学 E 辑: 信息科学 2008年 第38卷 第6期903个特性. 其中:图1 以软件体系结构为中心的网构软件自适应方法概览■ 反射性: 是指SA 与目标系统的运行状态和行为之间具有因果关联关系, 即, 目标系统运行状态和行为的变化会立即导致其SA 的相应变化, 反之亦然. 具备反射性的SA 称为运行时软件体系结构[6], 它从体系结构层次明确了网构软件自适应的范围, 能够保证自适应环路分析的变化和规划的调整与目标系统实际发生的变化和调整之间的一致性和准确性. 此外, SA 反射性是对目标系统所支持的管理操作或监控能力的一种高层抽象, 在一定程度上屏蔽了底层管理机制的细节和异构性, 保证了自适应方法的通用性.■ 动态性: 是指SA 能够全面准确地描述反射性所能感知的变化和实施的调整, 如构件和连接子的增加、删除、以及通过约束增删改而实现的修改. 具有动态性的SA 称为动态软件体系结构[7]. 经典SA 研究中的动态性往往是由设计人员预测而得, 难以自然描述反射性所感知的正在发生的变化. 同时, 经典SA 动态性大多假设通过编程实现, 其描述的调整与反射性运行时可实现的调整之间存在失配的可能, 导致自适应规划难以完整、准确地实施. 因此, 我们定义了一组操作原语以从反射性的角度修订经典SA 的动态性.■ 推理性: 是指SA 能够在反射性限定的范围内分析变化并推导出相应的适应性调整. 动态性必须显式描述变化及其相应的调整(即What-to-change 和How-to-change), 而推理性则可以通过一些规则(即Why-to-change)自动生成动态性描述, 是实现可预测、自适应、自治等高级别自适应的关键. 推理规则有很多种, 我们目前采用了3种形式, 包括常用的ECA 规则(event-condition-action, 对于给定的事件, 根据给定的条件决定具体的动作)、模式(对于给定的模式, 自动检测系统中是否存在该模式并转换成另外一种模式)、风格(对于给定的风格, 自动将使系统的整体或局部符合该风格).■ 可信性: 是指SA 所能体现的目标系统的功能正确性、性能、可靠、安全等指标符合用户预期. 本质上, 网构软件自适应就是一种持续追求或保障可信性的过程, 该过程的输入是不可信的目标系统, 输出则是变得可信的目标系统. 换言之, 可信与否是自适应过程启动和终止的判定条件. 技术上, 可信性评估与自适应是两个相对独立的研究领域, 软件体系结构的评梅宏等: 基于体系结构的网构软件自适应方法估经过了长期的研究与实践, 我们将复用其中的成果与经验来解决自适应结果可信性的问题.基于具有上述特性的SA, 网构软件自适应的主要活动将自动执行. 其中, 监测活动利用SA反射性收集网构软件的运行信息, 并将这些信息展现为SA的动态性描述; 分析活动对当前系统的SA以及监测活动产生的SA动态性描述进行可信性评估, 如果评估结果为不可信, 则激活规划活动, 否则终止此次自适应环路; 规划活动首先针对分析活动的可信性评估结果, 找到监测活动的动态性描述中可能导致不可信的变化, 然后利用SA推理性得出适应性调整方案, 并生成相应的动态性描述; 实施活动则将规划活动生成的动态性描述转换成反射性操作并执行之, 最终调整实际系统. 这4个活动组成一个自适应环路循环往复地进行, 人的参与可能导致自适应过程从任意一个活动开始或结束.2关键技术2.1软件体系结构模型尽管目前尚无统一或标准的SA模型, 但多年的研究与实践在SA的基本内涵方面达成了许多共识[4,7]. 本文采用了如图2所示的ABC/ADL定义的SA模型[8], 原因在于: 首先, 它具有典型的软件体系结构模型的所有要素, 包括完成系统所需计算功能的构件、负责抽象构件之间交互的连接子、对构件之间的交互拓扑结构进行描述的系统配置以及从系统全局角度出发需要考虑的各种约束. 在此基础上, 它还新增了特定于网构软件的特性, 如1) 区分类型和实例: Asset元素中的Components和Connectors是对类型的定义, Instances元素则是对构件和连接子的描述. 区分类型和实例意味着网构软件体系结构模型是一个类型化的模型, 这样架构师就有可能对设计好的模型进行验证, 以保证组装结果的正确性. 区分类型和实例的另一个好处就是有助于构件类型和连接子类型的复用; 2) 兼顾复用和构造: 新构造的资产与可复用资产具有一个本质的区别, 那就是前者可以根据当前的设计需要随时进行修改, 而后者对当前的架构师而言是一个黑盒的资产, 只能进行恰当的使用而无法修改其定义. 因此, 需在兼容的前提下显式区分新构造资产(newComponent和newConnector)与可复用资产(reusedComponent和reusedConnector); 3) 简洁有效的配置: 配置(Configuration)决定了构件之间的交互拓扑结构, 用松耦合的link来确定构件的交互方式, 以适应网构软件交互方式灵活多样的特点. link的语义可类比为演员(player)扮演某个角色(role). player是对构件计算功能的抽象, role则是对连接子通信能力的抽象. 通过恰当的link定义, 架构师就能指定系统中的每个构件应该在整个系统中扮演怎样的角色才能完成满足目标系统的需求; 4) 可扩展的约束: 软件体系结构之所以受到广大研究人员和实践者的关注就在于它允许架构师在系统开发早期对系统进行分析以便尽早发现潜在的问题. 对系统结构进行分析的基础就是体系结构模型中的约束定义(Constraint), 如安全、事务、响应时间等. 架构师可根据特定的约束扩展已有的描述方式, 以便于约束的定义、转换、保障和评估.2.2软件体系结构反射性反射性主要的实现方式有三种, 其中, 反射式编程语言通过内嵌在编译器或虚拟机中的特殊机制实现对运行程序的反射; 反射式中间件则通过内嵌在中间件的特殊机制实现对上层904中国科学 E 辑: 信息科学 2008年 第38卷 第6期905应用构件的反射; 反射式构件模型通过定义一组需构件开发者实现的接口来反射构件的内部实现. 三者各有利弊, 如, 反射式编程语言的反射能力理论上最为强大, 但特定于具体的语言, 且反射视图抽象层次偏低、系统化不足; 反射式中间件的抽象层次相对较高, 反射能力也很强大, 但特定于具体的中间件, 且难以反射构件内部的具体实现; 反射式构件模型的抽象层次最为贴近软件体系结构, 但反射能力依赖构件开发者的具体实现, 对全局的反射能力偏弱. 为此, 我们通过运行时软件体系结构集成了上述3种反射性实现方式, 且屏蔽了这些技术的异构性以保障自适应方法的通用性.图2 ABC/ADL 定义的软件体系结构基本模型如图3所示, 运行时软件体系结构(runtime software architecture, RSA)的主体是一个内嵌在中间件中的全反射框架[6], 该框架直接利用中间件的反射能力和编程语言的反射能力, 若部署在中间件上的构件实现了反射式构件模型定义的接口, 则可直接调用这些接口以整合构件模型的反射能力. 以中间件为主体是因为中间件是网构软件运行支撑平台的主要形式, 且中间件易于整合编程语言和构件模型的反射性, 以使反射框架尽可能全面地覆盖整个系统. 目标系统中的构件抽象为RSA 中的构件; 构件之间若通过中间件交互, 则中间件的互操作功能抽象为RSA 中的(简单)连接子; 某些构件可能抽象为RSA 中的(复杂)连接子, 这是因为该构件或者是设计阶段SA 中的某个连接子, 或者有人显式指定; 中间件提供的安全、事务、持久等功能抽象为RSA 中构件或连接子的约束; 反射式构件模型提供的反射能力抽象为RSA 中构件或连接子的反射接口; 编程语言(Java)的反射能力则用来实现或增强中间件和构件模型的反射性.2.3 软件体系结构动态性按照SA 模型中元素的种类, SA 的动态性可以分解为实体调整、实体间关系调整、实体属梅宏等: 基于体系结构的网构软件自适应方法906图3 软件体系结构全反射框架性调整等3类操作原语. 定义如下:■ 一个实体的调整定义为一个三元组, 记为RE(E, ID, OP), 其中E 代表被调整的实体的类型, 包括Host, Service, Component, Call 四类实体, ID 代表被调整实体的唯一标识符, OP 代表对该实体进行的操作, 包括Add 和Delete(增加一个实体、删除一个实体)两种操作.■ 一个实体间关系的调整定义为一个六元组, 记为RR(E1, ID1, E2, ID2, R,OP), 其中E1和E2代表被调整的关系所关联的两个实体的类型, ID1和ID2代表这两个实体的唯一标识符, R 代表被调整关系的唯一标识符, OP 代表对该关系进行的操作, 包括Add 和Delete(为两实体之间添加关系、删除两实体之间的关系)两种操作.■ 一个实体属性的调整定义为一个四元组, 记为RP(E, ID, P, V), 其中E 代表被调整的实体的类型, ID 代表被调整实体的唯一标识符, P 代表实体中需要进行调整的属性名, V 代表调整后该属性的值.运行时软件体系结构能够监测的变化和实施的调整均可通过上述原语及其组合来描述. 这组操作原语可以视为一种软件体系结构操作语言(architecture manipulation language), 相应的SA 动态性描述形成独立的文档, 以保持整个SA 描述的清晰、简洁、灵活.2.4 软件体系结构推理性推理性知识往往可以表示为“如果…那么”, 除了常见的ECA(event-condition-action)规则, 我们还支持SA 特有的推理性知识表示方式, 包括模式和风格. 模式抽象描述了SA 的一个范围较小的局部结构, 如工厂模式、适配器模式等; 而风格则抽象描述了SA 的整体结构或者一个范围较大的局部结构, 如管道-过滤器风格、三层体系风格等. 模式和风格所抽象的结构可能对可信性带来正面影响、负面影响或无影响, 相应的自适应包括消除具有负面影响的模式和风格、或者实现具有正面影响的模式和风格. 但实际可操作的自适应主要有两种: 其一, 将具有负面影响的模式和风格调整为无影响或具有正面影响的模式和风格; 其二, 通过对整个系统的调整使其直接具备正面影响的风格. 因此, 基于模式和风格的推理性知识包括“如果存在某种模式或风格, 那么调整为另外一种模式或风格”、以及“如果满足某种条件, 那么调整系统使之具备某种风格”.目前存在多种模式和风格的描述机制, 在不失一般性的前提下, 我们定义了如图4所示的中国科学 E 辑: 信息科学 2008年 第38卷 第6期907元模型以定义便于推理、可操作的自适应知识. 其中, Component 用于描述应用系统中各种类型的构件; Connector 描述构件之间的连接子, 它的作用是连接构件, 一个Component 实例可以通过provide 或require 关系与一个Connector 实例关联, 而被连接的Component 实例分别作为提供者与消费者角色; Service 继承了Component, Service 实例表示系统中一类特殊的构件, 即中间件提供的各种服务; Host 用于描述分布式环境中的主机及部署在上的中间件, 两个通过connect 关联的Host 实例表示这两个主机之间物理上存在连接, 如果一个Host 实例包含了一个Component/Service 实例, 表示该构件/服务部署在该主机上. 此外, 元模型中每类实体都有其对应的属性, 以此定义应用系统中对应实体的状态. 管理者不仅可以通过使用Component 与Connector 实体及相关的关系描述应用系统中的构件及构件之间关系, 还可以通过使用Host 与Service 实体及相关的关系描述系统级的中间件业务能力, 从一个系统化的角度对应用系统进行建模. 该元模型是可扩展的, 管理员可以通过扩展元模型来提高元模型的建模能力, 如定义特殊的构件类型、复杂的连接子类型等. 图4中的深色部分举例说明了如何对元模型进行扩展. 其中, Method 用于表示两个构件之间的方法调用, 一组Method 实例可以通过postInvoke 关系关联, 表示一个调用序列; Proxy 用于表示中间件提供负责远程调用的代理构件, 而ProxyConnector 用于表示普通的Component 实例与Proxy 实例之间的连接; ExceptionInterceptor 与Buffer 均是中间件提供的一些辅助机制, 它们分别表示用于捕获应用系统异常与缓冲应用请求的复杂连接子.图4 软件体系结构模式和风格元模型针对该元模型定义出的模式和风格, 可执行的推理包括: 1) 自动检测出目标系统是否具有给定模式或风格; 2) 对于给定的负面影响模式(风格)及相应的无影响或正面影响模式(风格), 可自动生成由前者转换成后者的系统调整方案; 3) 对于给定的正面影响风格, 可自动生成使梅宏等: 基于体系结构的网构软件自适应方法目标系统具备该风格的调整方案. 具体细节将在“实例研究”部分论述.2.5软件体系结构可信性2.5.1正确性评估网构软件自适应的正确性包含调整后的应用系统正确、以及调整操作可正确执行两个方面. 系统校验(validation and verification)一直是SA研究的重点之一, 主要的方法是在体系结构描述语言中加入形式化的语义模型, 然后使用形式化方法对得到的SA模型进行校验. 本文采用了ABC/ADL的验证机制[9]: 1) 语法层次的校验. 主要是对构件接口的匹配和构件与连接子的拓扑关系进行校验; 2) 实现层次的校验. 根据具体实现的语言和底层平台的规范, 进行类型匹配等实现级的检查(替换构件实现时需要检查其是否在语法上满足构件契约); 3) 语义层次的校验. 利用形式化方法描述构件行为和交互协议, 对系统的整体特性, 如有效性(如, 是否有死锁)和完备性(如, 是否所有请求接口都与合适的提供接口建立了连接等), 进行检查.自适应操作最终由反射性执行, 在执行的过程中, 受到反射性实现机制的限制, 一些操作不应该或者可能无法执行, 如, 对应用系统的配置超过底层平台规定的上下限, 试图执行底层平台不支持的操作等. 在自适应过程中, 必须保证自适应操作能够执行且不会破坏底层机制设定的各种约束. 调整操作的正确性验证主要分为3个部分: 1) 平台与构件、服务之间关系的验证, 必须保证构件或服务可以部署到其指定部署的主机上; 2) 构件与服务之间关系的验证, 必须保证构件可以使用其指定依赖的服务; 3) 属性的验证, 必须保证待系统中实体所有待修改的属性可以设为指定的值.2.5.2有效性评估自适应的目的是为了保障应用系统的质量属性, 在自适应调整之前, 应预先对调整方案进行评估, 以确保其可以满足用户预期效果. 目前的SA研究中存在大量对系统质量属性进行评估的算法, 我们的自适应方法可以复用这些算法. 特别地, 应加入对中间件等运行环境的考虑, 以使得评估算法的输入数据更加丰富, 实现系统化的评估. 例如, 使用现有的可靠性分析算法, 为其输入应用构件与中间件服务的相关信息, 则可对包括中间件在内的整个系统的可靠性进行评估[10].SA研究大多在设计时刻对目标系统质量属性进行评估, 往往需要通过预测的方式指定部分输入参数, 如, 评估目标系统的响应时间需要预测构件操作、网络传输等步骤所需的时间, 这难免会造成评估的结果难以真实、准确地反映目标系统的实际运行状况. 而在我们的自适应方法中, 可通过反射性得到实时数据, 从而使得评估算法的结果更为准确.2.5.3开销预评估自适应开销是指执行一个调整方案所需要花费的时间与资源上的消耗. 在自适应调整之前, 应尽可能预测开销, 以确保调整方案的性价比在用户可接受的范围内. 自适应调整是运行时刻执行的, 调整消费的时间越多, 对运行中的系统就影响越大, 因此, 本文将着重考虑自适应调整消费的时间. 执行一个自适应调整方案消费的时间, 等于执行该方案中所有调整操作所消费时间的累加. 不同的方案有不同的执行步骤, 由此也导致执行时间各不相同. 我们在文908。
SOLOv2：实例分割（动态、更快、更强）
SOLOv2：实例分割（动态、更快、更强）SOLOv 2：实例分割（动态、更快、更强）SOLOv2: Dynamic, Faster and Stronger论⽂链接：摘要在这项⼯作中，本⽂的⽬标是建⽴⼀个简单，直接，快速的实例分割框架，具有很强的性能。
本⽂遵循王等⼈SOLO的原则。
“SOLO：按位置分割对象”[33]。
重要的是，本⽂进⼀步通过动态学习对象分段器的mask头，使得mask头受位置的约束。
具体地，将掩模分⽀分解为掩模核分⽀和掩模特征分⽀，分别负责卷积核和卷积特征的学习。
此外，本⽂提出矩阵NMS（⾮最⼤抑制）来显著减少由于NMSofmasks引起的推理时间开销。
本⽂的matrix NMS⼀次完成了并⾏矩阵运算的NMS，并获得了更好的结果。
本⽂演⽰了⼀个简单的直接实例分割系统，在速度和精度上都优于⼀些最新的⽅法。
⼀个轻量级版本的SOLOv2以31.3fps的速度运⾏，产⽣37.1%的AP。
此外，本⽂在⽬标检测（从本⽂的掩模副产品）和全景分割⽅⾯的最新结果显⽰，除了实例分割之外，还可能成为许多实例级识别任务的新的强基线。
1. Introduction通过改进，SOLOv2的AP性能⽐SOLOv1⾼出1.9%，⽽速度提⾼了33%。
Res-50-FPN SOLOv2在具有挑战性的MS-COCO数据集上以18 FPS的速度实现38.8%的掩模AP，在单个V100 GPU卡上进⾏评估。
⼀个轻量级版本的SOLOv2以31.3FPS的速度执⾏，产⽣37.1%的掩模AP。
有趣的是，虽然本⽂的⽅法彻底消除了bounding box的概念，但是本⽂的bounding box的副产品，即直接将预测的掩模转换为bounding box，产⽣42.4%的AP⽤于bounding box对象检测，它甚⾄超过了许多最先进、⾼度⼯程化的⽬标检测⽅法。
2. Related Work⽽本⽂的⽅法是从SOLO[33]发展⽽来的，直接将原始的掩模预测解耦为核学习和特征学习。
基于在线多实例学习的跟踪研究
（ 阳 师 范 学 院 物 理 与 电子 工 程 学 院 ， 南 南 阳 ４ ３ ６ ） 南 河 ７ ０ １
摘 要 ： 绍 一 种 基 于在 线 多 实例 学 习 的 目标 跟 踪 方 法 ， 线 多 实例 学 习在 目标 跟 踪 中 的 应 用 是 采 用基 于 多 实例 学 习 介 在 的 自适 应 表 观 模 型 ， 决 了训 练样 本 中存 在 的模 糊 歧 义 问 题 ， 讨 了 处理 训 练 正 包 中 正 样 本 和 负样 本 的 问题 ， 出 了今 后 解 探 指
ｙ ＝ ｍ ａ （ ， ｘ ｙ ）
．
（） １
，
其 中 ｙ 是 实例标 签． 以看 出 ， 可 该数 据包 至 少包 含
一
个 正样 本实 例 时才被认 为是 正 的数据包 ， 训练 故
的误 差使 得分 类器 区分 能力 降低 ， 跟踪 结果 发 生偏
样本 的歧 义性 与监 督 学 习 、 监督 学 习 、 化学 习 非 强 的歧 义性 有 明显 的区别． 分类器 通 过对多个 训 练包
的跟 踪 效果 ， 但是 训 练 自适 应 表观模 型 本 身存
而样 本 采集存 在更 多 的模 糊 ， 以希望将 多 实例学 所 习算 法 的优点 应用 到跟踪 里 ． 了将多 实例 学 习和 为
跟 踪 相 结 合 ， 文 采 用 了 在 线 的 多 实 例 学 习 本
框架 ．
在一 些 未解决 的问题 ： 参数 的调 整如 何去 控制 表观 模 型的 变化 速度 ， 练 样 本 的 歧 义性 ． 文研 究 多 训 本 实例 学 习跟 踪 ， 以期 能 实 现 最 少 的参 数 调 整 ， 决 解
第１ ０卷 第 １ ２期
基于Felder_Silverman量表用户学习风格模型的修正研究
图1
三种学习风格
Balance 型风格的划分是因为取值 ∈ ｛ 3a， a， b， 3b｝ ， 不能十分明显判定出学习者属于某维度的哪 种类型学习风格， 所以就定义成一种 Balance 型风 格。 （ 三） 学习路径和内容对象的推荐 依据 Felder － Silverman 量表推断出学习者的学 系统便根据学习风格特点向学习者推荐 习风格后，
本文首先介绍了运用 Felder － Silverman 量表前测推断用户学习风格 ， 接着以此为据， 重点介绍数据挖掘影响学习 风格模型的行为模式及修正学习风格模型的估算规则和算法 。最后， 给出了修正用户学习风格模型的实证研究 。 【 关键词】 Felder － Silverman 量表， 学习风格， 自适应性， 学习行为 【 G434 中图分类号】 【 C 文献标识码】 【 1001 － 8700 （ 2010 ） 01 － 0062 － 05 文章编号】
浏览时间阈值设为 览次数的阈值设为 50% 与 75% ， 75% 与 100% ；将实例停留时间的阈值设置为 75% 与 100% ， 实 例 的 访 问 次 数 的 阈 值 设 为 25% 与 50% ；将测试时间的阈值设为 70% 与 90% ； 将知识 树的浏览时间与浏览次数的阈值分别设为 5% 与 10% ， 30% 与 70% ； 将点击上一页按钮的次数、 点击 下一页按钮的次数的阈值均设为 30% 与 70% 。
视觉型与言语型 问题 a b 8 12 16 20 24 28 32 36 40 44 4
序列型与综合型 问题 a b
总计
总计 （ 较大数—较小数） + 较大数的字母
总计
从表 1 中可以推断学习者学习风格规则如下 ： 1. 在表适当的地方填上 1 （ 例： 如果你第 1 题 的答案为 a， 在第 1 题的 a 栏填上 1 ； 如果你第 13 题的答案为 b， 在第 13 题的 b 栏填上 1 ） ； 2. 计算每一列总数并填在总计栏地方 ； 3. 用较大的总数减去较小的总数， 记下差值 （ 1 到 11 ） 和字母（ a 或 b） ， 其中字母代表学习风格的类 ， 型不同 数字代表程度的差异。 若得到字母 a ， 表 且 a 前的系数越大， 表明程 示属于前者学习风格， 度越强烈； 若得到字母 b ， 表示属于后者学习风 格， 且 b 前的系数越大， 同样表明程度越强烈。 例 ： / 如 在 活跃型 沉思型 中， 有 9 个 a 和 2 个 b ， 就在那一栏的最后一行写上 7a （ 7 = 9 － 2 ， 并且因 为 a 在两者中最大 ） ， 表明学习者属于活跃型的学 习风格； 4. 其它 3 个量表中依次规则计算出差值， 判断 出所属学习风格类型。 此外， 值得注意的是每一种量表的取值只可能 9a、 7a、 5a、 3a、 a、 b、 3b、 5b、 7b、 9b、 11b 中的一 为 11a、 种， 根据实证可以进一步将这 12 个值换分为 3 部 分， 如以活跃型 / 沉思型为例， 如图 1 所示。
解决模型数据分布偏移的方法
解决模型数据分布偏移的方法【摘要】模型数据分布偏移是指训练集和测试集之间的分布不一致，导致模型在测试集上表现不佳的问题。
为了解决这一问题，可以采取多种方法，包括重新采样数据集、领域自适应、实例加权、特征对齐和迁移学习等。
重新采样数据集可以平衡不同类别之间的样本数量，领域自适应可以利用源域数据来适应目标域数据的分布，实例加权可以给予不同样本不同的权重，特征对齐可以将不同领域的特征进行对齐操作，迁移学习可以利用已有的知识来帮助解决数据分布偏移问题。
综合评价各种方法的优缺点，未来还有许多潜在的研究方向需要进一步探讨和改进。
【关键词】数据分布偏移、模型、解决方法、数据集重新采样、领域自适应、实例加权、特征对齐、迁移学习、总结评价、未来展望1. 引言1.1 背景介绍数据分布偏移指的是训练数据集和测试数据集之间的分布不一致，这种问题在现实生活中经常出现。
当模型在训练集上取得很好的性能，但在测试集上表现不佳时，很可能是因为数据分布的偏移导致的。
在这种情况下，模型无法很好地泛化到新的数据上，这就是所谓的泛化误差。
解决模型数据分布偏移的方法可以帮助提高模型的泛化能力。
数据分布偏移可能由多种因素引起，比如数据采集过程中的偏差、标注错误、领域漂移等。
解决数据分布偏移需要综合考虑这些因素，并采取相应的策略。
常见的方法包括数据集重新采样、领域自适应、实例加权、特征对齐和迁移学习等。
这些方法都旨在让模型能够更好地适应数据分布的变化，从而提高其泛化能力。
在接下来的文章中，我们将重点介绍这些解决模型数据分布偏移的方法，并探讨它们的优缺点。
通过深入研究这些方法，希望能够为解决数据分布偏移问题提供更多的启发和帮助。
1.2 问题提出数据分布偏移是指训练数据和测试数据集之间存在差异，导致训练得到的模型在测试集上表现不佳的现象。
这种问题在实际应用中时常出现，特别是在涉及到不同领域、不同时间、不同地点或不同设备的数据时。
数据分布偏移可能由多种因素引起，例如数据采集过程中的错误、样本选择偏差、特征表示的局限性等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
应 用 户模 型 ． 在 一 定程 度 上 抑 制 了传统 用 户模 型 表 示 中 同兑现 季时 系统 精 确 度 的影 响 ， 它 井且 使 用户 模 型 具 有 了关键 词
自动 扩 光 和 自适 应 能 力 美键 词 信 息过 滤 用 户模 型 遗 传 算岳
文章 编 号 １０ — ３ １ （０ ２０ ￣ ０ ２ ０ 文 献 标 识码 Ａ ０２ ８ ３ 一 ２０ ）５ ９ — ２ 中 囤分 类 号 Ｔ ３ Ｐ９
ｐ ｉ ． ｒｏ ｅ ． ｍａ ｅ ｈ ｔ ｍｆ Ｍｏ ｅｖ ｒ ｉ ｅ ｌ ｔ ｋ ｓ ｔａ ｕ
ｐｏｉ ａ ｒｆｅ ｈ ｓ ｌ
ｌ 引 言
随着 信息技术 的高速发 展 ， 因特网的普及 ， 人们每天可 以 从网上获取大量的信息。但对话瀚如海 的网上资糠 ， 往往导致
” 息 过 载 ” 信 息迷 向 ”Ｉ目前 ， 们 主要 是 利 用 传 统 的搜 索 信 和“ ｌ ｌ 。 人 引 擎进 行 网 上 的 信 息 查 询 ， 它需 要用 户按 照要 求 的格 式 输 ＾ 查 询串。 这类 基 于关 键 词 检 索 的 引 擎在 一定 程 度 上 满 足 了网 络用
Ａｂ ｔａ ｔ Ｔ ｅ ｅ ｒｓｎａｉｎ ｏ ｓ ｒｐ ｉ ｓ ／ ｆ ｍｏｔ ｍｐ ｒ ｎ ａ ｔｒ ｎ ｕ ｎｉ ｇ ｔｅ ｐｅ ｉ ｏ ｏ ｎ ｏｍａｉｎ ｓ ｒｃ ： ｈ ｒｐｅｅ ｔｔ ｆ ｕｅ ｍｆ ｉ ｒ ｏ ｓ ｏ ｅ ｌ ｏ ｅ ｉ ｏｔ ｔｆｃｏｓ ｉｆ ｅ ｃｎ ｈ ｒｃｓ ｎ ｆ ｉｆｒ ｔ ａ ｌ ｉ ｏ ｆｔｒｎ ０ ｔｅ ｍｔ ｉｘ ｍｐｅ ｂ ｓｄ ａ ａ ｆ ｅ ｕ Ｔｐ ｏ ｌ ｓ ｐ ｅｅ ｔｄ ｎ ｔｉ ａ ｅ．ｏ ａ ｃ ｒ ｉ ｘｅ ｔｉ ｒ￣ ａｎ ｔｅ ｉｅｉｇｓ ｈ ｌ ｅ ａ ｌ— ａ ｅ ｄ ｐ ｖ ｒｆｅ ５ ｒｓｎｅ ｉ ｈｓ ｐ ｐ ｒ ｅｔ ｎ ｅ ｔｎ ． ｅ ｉａ ｈ ｌ ｈ ｉ ｉ Ｔ ａ ｔ ｉｆ ｅｃ ｏ ｈ ｓｎ ｎ ｍｙ ｐ ｎ ｕ ｎ ｅ ｆ ｔｅ ｙ ｅ ｙ ｍＭｅ ｌ ｍ ｔ ｔｅ ｒｃｓ ｎ ｎ ｒｄｔ ｎ ｌ ｏ ｈ ｐｅ ｉｉ ｉ ｔ ｉｏ ａ ｕ ｏ ａ ｉ
维普资讯
一
种基于多实例的自适应用户模型
李 荣陆 张 永奎
（ 山西 大学计 算机科 学 系， 太原 ０ ００ ） ３０ ６
Ｅ—ｒ ｉ： ｌ ￣ ． ｕｃ ｒ且ｌＩ ＠ｓ ｅ ．ｎ Ｉ ｒ ｄ
摘
要
信 息过 穗 中用 户 趣 模 型 的 表 示 是 影 响过 滤 精 确 度 的 最 重要 的 目幸 之 一 。 谊丈 提 出 了一 种基 于 多妾倒 的 自适
Ａ ｕ ｔｅ ａ ｐ ｅ． ａ ｅ ａ ｔ ｅ Ｕｓ ｒ Ｐｒ ｆ ｅ Ｍ ｌｉｘ ｍ ｌ． ｓ ｄ Ａｄ ｐ ｉ ｅ ｏ ｌ ｂ ｖ ｉ
Ｌｉ Ｒｏ ｇ ｕ Ｚｈ ｎ ｎ ｋ ｉ ｎ ｌ ａ ｇ Ｙｏ ｇ ｕ
（ ｅ ｔｆＣ ｍ ｕｅ ｃｅ ｃ ，ｈ ｉ ｌＵ ｉｅｓｙ Ｔ ｉ ｕｎ ０ ０ ０ ） Ｄ ｐ． ｏ ｐ ｔｒＳ ｉ ｅ Ｓ ａ ｘ ｎｖｒｉ ，ａＹ ａ ３ ０ ６ ｏ ｎ Ｌ ｔ
的表 示 ， 以反 映 用户 兴趣 的娈 动 该 文提 出 了 一种 基 于 多实 例 的 自适应 用户 模 型 ， 利用 多实 例 中丰 富 的词 汇 抑 制 用 户 模 型 表
Байду номын сангаас
示 中同义现象对过滤精确度的影响 ， 并使用 遗传算祛对用户模
型 进 行 概 念 优化 和 兴 趣 变 动 的 诃 节 ． 使用 户 模 型具 有 了关 键 词 扩 克 和 自适 应 的能 力 。
户的信息需求 ， 但它 具有智能性 ． 能学习用户的兴趣。 对具 有 特定专业兴趣 ， 信息需求在相 当长一 段时间 内保持 不变或变
化不太的用户 ， 只能 不 断 在 网上 反 复 查 询 相 同 的 内 容 ， 造 成 这 了 许多 不 必 要 的浪 费 。正 是 在 这 样 的需 求 驱 动 下 ．信 息 过 滤
（ｎｏ ｎ ｔ ｎ Ｆｌ ｒ ｇ即 Ｉ 技 术 得 到 了长 足 的 发 展 。 Ｉｆｎ ａｉ ｉｅ ￣ ｏ ｌ ｉ Ｒ）
２ 基于 多实例 的用户模 型
ＦＩ ０乜和 Ｄ ｍ ｌ１ ｕ ａｓ在对信息过滤 的方法进行研究时 ， １ ４ 对基 于 关键词和 短语 的用户模型与基 于相关文 ｛ 向量的用 户模型 的 苎 ｉ
过 滤 方 法进 行 了 比较 和 实验 。实 验结 果 表 明 ： 于相 关 文 ｛ 向 基 苎 ｉ 量 的用 户 模 型 的方 法 ， 乎在 任 何 的 召 回 率 下 都 比基 于关 键词 几 和短 语 的 用 户 模 型的 方 法 的准 确率 要高 ， 平均 准确 率 比基 于关 键 词 和 短 语 的 用 户 模 型 的 方 法 高 出 ５ 。 而 且 Ｓ ｒｅｖ ， ％ ａａｅｉ 和 ｅ Ｋ ｎｏ 在 使 用 查 询 序 列 的多 重 表 示 来 检 索 信 息 时 ， 发 现 了 ａｔｒ ￣ 也 相 似 的 性 能 方 面 的提 高 。 种 性 能 上 的提 高要 归 功 于用 户模 型 这 中大 量 的词 汇 ， 同 义 现 象对 过 滤准 确率 的 影 响 得 到 了一 定 的 使 抑制 根 据 Ｆ ｈ 和 Ｄ ｍ ｓ的研 究 结 果 ， 文提 出 了 一种 基 于多 ｏｚ ｕ￣ 该
ｔ ｅ ａ ｉ ｔ ｆ ａ ｔｍａ ｃ ｌ ｐ ｅ ｄ ｎ ｅ ｗｏ ｄ ｎ ｄ ｐ ｔ ｎ ｈ ｂ ｌ ｙ ｏ ｕ ｏ ｔ ａｌ ａ ｐ ｎ ｉ ｇ ｋ ｙ ｒ ｓ ａ ｄ ａ ａ ｔ ｉ ｉ ｉ ｙ ａ ｏ Ｋｅ ｗｏ ｄ ： Ｉ ｆｒ ａ ｌ ｎ ｆｌ ｒ ｇ Ｕｓ ｒ ｐ ｏ ｌ ， ｅ ｅ ｉ ｌｏ ｔ ｍｓ ｙ ｒ ｓ ｎｏ ｎ ａｉ ｔ ｉ ． ｅ ｒ ｆ ｅ Ｇ ｎ ｔ Ａ ｇ ｒ ｈ ｏ ｉ ｅｎ ｉ ｃ ｉ