-
公开(公告)号：CN110554964B
公开(公告)日：2023-05-16
申请号：CN201910834368.0
申请日：2019-09-03
Applicant: 大连海事大学
IPC: G06F11/36 , G06Q10/0631 , G06Q10/1057
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：CN109451037B
公开(公告)日：2021-06-08
申请号：CN201811481963.2
申请日：2018-12-05
Applicant: 大连海事大学
Abstract: 本发明公开了一种CWS容错问题中的错误修复策略的选择方法，包括步骤为：执行某个CWS，执行过程中某个Web服务出现错误时，将该CWS提交给错误修复策略选择算法模块进行处理；错误修复策略选择模块对出错的Web服务进行错误修复策略的选择；获取策略选择算法模块反馈的结果；以及使用反馈结果中的修复策略对出错的Web服务进行修复。通过采用本发明所述的策略选择方法，当需要执行多个CWS，或者CWS中的服务数量较多，出错Web服务出现的概率很高时，能够更快更准地选择最合适的错误修复策略。
-
公开(公告)号：CN111309907A
公开(公告)日：2020-06-19
申请号：CN202010085034.0
申请日：2020-02-10
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实时Bug分派方法，包括：对初始的bug数据进行预处理，使用深度强化学习DQN算法，将缺陷报告修复任务分派给合适的开发者：初始化循环神经网络参数，初始化所有状态动作对的价值Q；将缺陷报告的文本信息和修复者活跃度信息向量化并作为状态S的初始特征向量；将初始特征向量输入到神经网络Q，通过神经网络Q的前向传播输出每个动作at对应的Q值，根据策略π选择对应的动作；在状态S执行当前动作at得到新的状态s'、奖励R以及是否终止状态的标志flag；通过深度多语义特征融合方法计算当前期望目标值Q：使用均方误差计算损失函数，并通过神经网络Q反向传播更新参数，重复执行以上步骤，直至参数趋于收敛。
-
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。
-
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。
-
Patent Agency Ranking
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：CN109934286A
公开(公告)日：2019-06-25
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：CN109408726B
公开(公告)日：2022-02-08
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：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：CN109948940A
公开(公告)日：2019-06-28
申请号：CN201910229952.3
申请日：2019-03-26
Applicant: 大连海事大学
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。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
