CN109445843A - 一种基于类多层网络的软件类重要性度量方法 - Google Patents
一种基于类多层网络的软件类重要性度量方法 Download PDFInfo
- Publication number
- CN109445843A CN109445843A CN201811261866.2A CN201811261866A CN109445843A CN 109445843 A CN109445843 A CN 109445843A CN 201811261866 A CN201811261866 A CN 201811261866A CN 109445843 A CN109445843 A CN 109445843A
- Authority
- CN
- China
- Prior art keywords
- class
- node
- mcn
- software
- importance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/75—Structural analysis for program understanding
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于类多层网络的软件类重要性度量方法,包括以下步骤:将Java软件的源代码在类粒度抽象为类多层网络;计算类多层网络每一层中类节点的加权h指数;使用统计平均数法(专家打分法)为类在每一层中的加权h指数赋权重,进而将每个类在各层中的加权h指数通过线性加权融合成一个全局加权h指数,并以节点的全局加权h指数作为类重要性的度量指标。现有方法基本都忽略了类粒度网络的多层性,本发明弥补了现有方法的不足,首次将类多层网络引入类重要性的量度中,对于更加准确地理解软件结构,提高代码维护的效率具有重要意义。
Description
技术领域
本发明涉及一种软件类重要性度量方法,尤其是涉及一种基于类多层网络的软件类重要性度量方法。
背景技术
软件已经与我们的生活紧密相连,深入到各行各业,网购衣服、吃饭点餐、进家门、乘坐地铁等,都离不开软件。软件正在改变并且还将继续改变我们的生活。随着软件技术的不断发展以及人们日益增长的复杂性,软件的复杂性也在不断增长,给软件的开发带来了诸多困难,同时软件又是一个通过高度协作开发出来的,导致软件的质量无法得到保障。
演化是软件的本质属性之一,它必须同自然界的生物一样,在其生命周期内,通过不断的演化来适应环境,适应人们新的业务需求以及修改错误的代码,否则就容易在与同类产品的竞争中处于劣势,最终被淘汰。软件演化过程中,比较重要的内容是对已有的代码做修改。然而,修改代码的前提是对代码有一定的了解。但是往往项目给予你的修改时间都比较短,因此如何在这么短的时间内理解软件就成为一个比较棘手的问题了。特别是对于新来的开发者,他如果要去理解一个事先不了解的系统,可谓是难上加难了。
从软件的重要类开始理解软件是一个可行的办法,但是首先必须识别这些重要的类。这是类重要性度量方面的工作,属于软件度量领域。尽管目前已经有不少软件度量方面的研究工作,如LOC(Lines of Code)代码行、McCabe圈复杂度(Cyclomatic Complexity)、Halstead度量法、CK度量组、MOOD度量集等,能够为认识软件的复杂性提供一定的帮助,但大部分偏重于软件复杂性度量的工作。我们曾授权了一项专利[潘伟丰,宋贝贝,姜波,谢波,王家乐.一种基于加权q2指数的软件类重要性度量方法:中国,CN201510957055.6[P].06-12-2018.],提出了一个新的度量指标q2来度量类的重要性。但是仍有如下不足:
(1)现有的工作主要集中于度量代码元素本身的复杂性,缺少对代码元素重要性的度量。
(2)现有工作主要是针对元素级的度量,度量的往往是软件的局部特征,如度量一个方法、一个类,缺少从整体角度进行软件度量的工作,更缺少从整体角度度量软件元素重要性的工作。
(3)现有的工作构建的软件结构模型不够准确,忽视了软件结构的多层性,譬如:类之间存在多种关系,现有的工作都将这多种关系视为同一种关系,导致对软件结构的刻画不够准确。
类是目前主流的面向对象软件的主要构成元素之一,从层次结构来讲,粒度中等。因此,提供一种有效的类重要性度量方法,从整体角度度量类的重要性,对于理解软件,提高代码维护效率具有重要意义。
发明内容
本发明的目的在于针对现有技术的不足,提供了一种基于类多层网络的软件类重要性度量方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种基于类多层网络的软件类重要性度量方法,该方法包括以下步骤:
(1)将Java软件的源代码在类粒度抽象为类多层网络MCN={GIN,GIM,GPA,GGL,GME,GLO,GRE},其中,Gi=(V,Li,Pi)为类多层网络中的某一单层网络,对应类之间的某种交互关系i∈{IN,IM,PA,GL,ME,LO,RE};V是Gi的节点集,表示源代码中的所有类;Li是Gi的无向边集,表示类间的依赖关系;Pi是一个|V|×|V|(|V|返回V中的节点数)的矩阵,代表Gi层网络中类之间依赖关系强弱的权重矩阵;IN代表一个类继承了另外一个类;IM代表一个类实现了另外一个抽象类;PA代表一个类的方法以另外一个类的对象为参数;GL代表一个类包含以另外一个类为类型的属性;ME代表一个类的方法调用了另外一个类的方法;LO代表一个类的方法中包含以另外一个类为类型的局部变量;RE代表一个类的方法返回另外一个类的对象;
(2)基于步骤(1)构建的MCN,计算节点n在每个单层网络Gi中的加权h指数hi(n),hi(n)的计算具体包括以下子步骤:
(2.1)求Gi中节点n的邻居节点集合vn;
(2.2)求节点n在Gi单层网络中所有节点的节点权;节点n在Gi中的节点权si(n)定义为Gi中与节点n相连的所有边的权重和,即:
其中,Pi(n,k)为Gi层网络中节点n和节点k之间边的权重;
(2.3)将vn中的节点按其节点权降序排列(若存在节点权相等的情况,则相等的几个值随机选择一种可能的排序),得到排序后的数组list,list[1]位置存放的是节点权最大的节点;
(2.4)从list[1]开始,依次遍历list列表中的每个节点list[q],找到第一个满足节点权小于(m+1)的节点list[m+1],则节点n在Gi中的加权h指数hi(n)为m;
(2.5)重复步骤(2.1)~(2.4),得到节点n在所有层的加权h指数;
(3)基于步骤(2)求得的节点n在每个单层网络Gi中的加权h指数hi(n),将节点n在各层的hi(n)融合起来,得到节点n在整个MCN中的加权h指数hMCN(n),最终得到MCN中所有节点在整个MCN中的加权h指数hMCN,作为节点相应类的重要性值。
进一步地,构建了Java软件的类粒度的多层网络MCN,所述的MCN由7个单层网络构成,这7个单层网络分别对应类之间的7种不同交互关系,即IN,IM,PA,GL,ME,LO,RE。
进一步地,所述步骤(1)中,MCN的构建具体包括以下子步骤:
(1.1)提取Java语言编写的源代码中的所有类的集合V、类之间的所有关系的集合S,及各关系出现的频次;构建七个只有节点没有边的单层网络,即GIN=(V,Φ,PIN),GIM=(V,Φ,PIM),GPA=(V,Φ,PPA),GGL=(V,Φ,PGL),GME=(V,Φ,PME),GLO=(V,Φ,PLO),和GRE=(V,Φ,PRE),其中,Φ代表边集为空,Pi,i∈{IN,IM,PA,GL,ME,LO,RE}是一个零矩阵;
(1.2)取步骤(1.1)S集合中的一种关系r∈S,若r是i∈{IN,IM,PA,GL,ME,LO,RE}关系,则在Gi中相应的类之间增加一条无向边,同时Pi矩阵相应类对应的元素值为该种关系的频次;
(1.3)重复步骤(1.2),直到遍历完S中的所有关系;
(1.4)则MCN={GIN,GIM,GPA,GGL,GME,GLO,GRE}。
进一步地,先求各个类在MCN中每一层的重要性,然后再通过统计平均数法(专家打分法)将各层的重要性融合起来,作为类在整个MCN中的重要性。
进一步地,所述步骤(3)中,使用统计平均数法(专家打分法)将节点n在各层的hi(n)融合起来,得到节点n在整个MCN中的加权h指数hMCN(n),hMCN(n)的计算公式如下:
其中,wi是专家对Gi层网络在类重要性评估上的重要性给出的权重值。
与现有技术相比,本发明具有以下优点和积极效果:
(1)本发明中提出的类多层网络,考虑了软件类粒度结构的多层性,更加符合软件本身的结构特征。从结构模型角度而言,本发明中的方法比现有的方法都要准确。
(2)本发明中提出的类重要性度量方法,考虑了软件整体结构与多层结构对类重要性的影响,是一种整体视角,在一定程度上克服了现有方法只关注局部特征忽略整体特征的问题。
(3)本发明提出的类重要性度量方法,在一定程度上克服了现有方法只关注软件元素复杂性的度量,忽略软件元素重要性度量的问题,提供了类重要性度量的一种新思路,可以为理解软件、提高代码维护效率提供支持。
附图说明
图1本发明的Java语言编写的源代码片段;
图2本发明实施例构建的无边Gi=(V,Φ,Pi),i∈{IN,IM,PA,GL,ME,LO,RE};
图3本发明实施例构建的无边Gi=(V,Φ,Pi),i∈{IN,IM,PA,GL,ME,LO,RE}相应的Pi;
图4本发明实施例构建的无边Gi=(V,Φ,Pi),i∈{IN,IM,PA,GL,ME,LO,RE}加入一条边后的MCN;
图5本发明实施例构建的无边Gi=(V,Φ,Pi),i∈{IN,IM,PA,GL,ME,LO,RE}加入一条边后的Pi。
图6专家对各层重要性的打分。
具体实施方式
下面通过实施例并结合附图对本发明的技术方案作进一步的说明:
本发明提出的一种基于类多层网络的软件类重要性度量方法,具体步骤如下:
(1)将Java软件的源代码在类粒度抽象为类多层网络MCN={GIN,GIM,GPA,GGL,GME,GLO,GRE}。其中,Gi=(V,Li,Pi)为类多层网络中的某一单层网络,对应类之间的某种交互关系i∈{IN,IM,PA,GL,ME,LO,RE};V是Gi的节点集,表示源代码中的所有类;Li是Gi的无向边集,表示类间的依赖关系;Pi是一个|V|×|V|(|V|返回V中的节点数)的矩阵,代表Gi层网络中类之间依赖关系强弱的权重矩阵;IN代表一个类继承了另外一个类;IM代表一个类实现了另外一个抽象类;PA代表一个类的方法以另外一个类的对象为参数;GL代表一个类包含以另外一个类为类型的属性;ME代表一个类的方法调用了另外一个类的方法;LO代表一个类的方法中包含以另外一个类为类型的局部变量;RE代表一个类的方法返回另外一个类的对象;MCN的构建具体包括以下子步骤:
(1.1)提取Java语言编写的源代码中的所有类的集合V、类之间的所有关系的集合S,及各关系出现的频次。构建七个只有节点没有边的单层网络。图1所示的是一个Java源代码片段。按照图1所给的Java源代码片段,可以构建相应的无边Gi=(V,Φ,Pi),i∈{IN,IM,PA,GL,ME,LO,RE}(如图2所示),节点边的文字为节点相应类的名字(名字由包名和类名以“.”相连构成),其中V={P1.Mammal,P1.Animal,P1.Dog,P2.Adoptor,P3.Zoom},边集为空;类之间的所有关系的集合S={P1.Mammal和P1.Animal之间的1次IM关系,P1.Dog和P1.Mammal间的1次IN关系,P1.Dog和P2.Adoptor之间的1次LO关系,P1.Dog和P2.Adoptor之间的1次RE关系,P2.Adoptor和P3.Zoom之间的1次GL关系,P2.Adoptor和P3.Zoom之间的1次PA关系,P2.Adoptor和P3.Zoom之间的1次ME关系};Pi,i∈{IN,IM,PA,GL,ME,LO,RE}是一个零矩阵,如图3所示。
(1.2)取步骤(1.1)S集合中的一种关系r∈S,若r是i∈{IN,IM,PA,GL,ME,LO,RE}关系,则在Gi中相应的类之间增加一条无向边,同时Pi矩阵相应类对应的元素值为该种关系的频次。对照实施例,取S中P1.Mammal和P1.Animal之间的IM关系,因为该关系属于IM关系,则在GIM中添加一条边,同时PIM中P1.Mammal和P1.Animal对应的元素值为该关系出现的频率1。
(1.3)重复步骤(1.2),直到遍历完S中的所有关系,可以得到图4所示的最终MCN,图5所示的是各Pi,i∈{IN,IM,PA,GL,ME,LO,RE}。
(1.4)则MCN={GIN,GIM,GPA,GGL,GME,GLO,GRE}。
(2)基于步骤(1)构建的MCN(如图4所示),计算节点n在每个单层网络Gi中的加权h指数hi(n)。hi(n)的计算具体包括以下子步骤:
(2.1)求Gi中节点n的邻居节点集合vn。因此,若令n为节点P1.Mammal,i为IM,则节点P1.Mammal在GIM中邻居节点集合为{P1.Animal}。
(2.2)求节点n在Gi单层网络中所有节点的节点权。节点n在Gi中的节点权si(n)定义为Gi中与节点n相连的所有边的权重和,即:
其中,Pi(n,k)为Gi层网络中节点n和节点k之间边的权重。因此,若令n为节点P1.Mammal,i为IM,则
(2.3)将vn中的节点按其节点权降序排列(若存在节点权相等的情况,则相等的几个值随机选择一种可能的排序),得到排序后的数组list,list[1]位置存放的是节点权最大的节点。因此,若令n为节点P1.Mammal,i为IM,则节点P1.Mammal在GIM中邻居节点集合为{P1.Animal},则因此可以得到list数组为{P1.Animal},即list[1]=P1.Animal。
(2.4)从list[1]开始,依次遍历list列表中的每个节点list[q],找到第一个满足节点权小于(m+1)的节点list[m+1],则节点n在Gi中的加权h指数hi(n)为m。因此,若令n为节点P1.Mammal,i为IM,对于P1.Mammal节点:当q=1时,再无其他邻居节点,故hIM(P1.Mammal)=1。
(2.5)重复步骤(2.1)~(2.4)求节点n在所有层的加权h指数,即hIN(P1.Mammal)=1,hLO(P1.Mammal)=0,hRE(P1.Mammal)=0,hGL(P1.Mammal)=0,hPA(P1.Mammal)=0,hME(P1.Mammal)=0。同理,我们可以得到其他所有节点在各个层的加权h指数,即:hIM(P1.Animal)=1,hIN(P1.Animal)=0,hLO(P1.Animal)=0,hRE(P1.Animal)=0,hGL(P1.Animal)=0,hPA(P1.Animal)=0,hME(P1.Animal)=0;hIM(P1.Dog)=0,hIN(P1.Dog)=1,hLO(P1.Dog)=1,hRE(P1.Dog)=1,hGL(P1.Dog)=0,hPA(P1.Dog)=0,hME(P1.Dog)=0;hIM(P2.Adoptor)=0,hIN(P2.Adoptor)=0,hLO(P2.Adoptor)=1,hRE(P2.Adoptor)=1,hGL(P2.Adoptor)=1,hPA(P2.Adoptor)=1,hME(P2.Adoptor)=1;hIM(P3.Zoom)=0,hIN(P3.Zoom)=0,hLO(P3.Zoom)=0,hRE(P3.Zoom)=1,hGL(P3.Zoom)=1,hME(P3.Zoom)=1。
(3)基于步骤(2)求得的节点n在每个单层网络Gi中的加权h指数hi(n),使用统计平均数法(专家打分法)将节点n在各层的hi(n)融合起来,从而计算节点n在整个MCN中的加权h指数hMCN(n)。hMCN(n)的计算具体包括以下子步骤:
(3.1)专家选择:选择从事软件工程研究或实践的专家Q名。如实施例中选择5名软件工程领域的专家。
(3.2)专家打分:请专家在不受外界干扰的前提下,对IN,IM,PA,GL,ME,LO,RE这7个不同层次在类重要性评估上的重要性给出权重值。如实施例中,五位专家的打分如图6。
(3.3)计算IN,IM,PA,GL,ME,LO,RE各层次的权重值的算术均值。如IN权重值的算术均值=(0.03+0.02+0.03+0.03+0.03)/5=0.028。其他层次的权重可类似求得(如图6的权重行)。
(3.4)则其中,wi是专家对i层网络重要性的算术均值。如实施例hMCN(P1.Mammal)=1*0.028+1*0.28+0*0.028+0*0.028+0*0.028+0*0.3982+0*0.03=0.028。
(4)根据步骤(2.5)、(3.3)和(3.4)计算MCN中所有节点在整个MCN中的加权h指数hMCN,作为节点相应类的重要性值。如实施例中,hMCN(P1.Animal)=0.28,hMCN(P1.Dog)=0.456,hMCN(P2.Adoptor)=0.692,hMCN(P3.Zoom)=0.266,这些hMCN作为节点相应类的重要性值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明,实施例中所有关系的频率都是1,这只是现实中可能的一种情况,但并不代表所有的情况都是如此。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于类多层网络的软件类重要性度量方法,其特征在于,包括以下步骤:
(1)将Java软件的源代码在类粒度抽象为类多层网络MCN={GIN,GIM,GPA,GGL,GME,GLO,GRE},其中,Gi=(V,Li,Pi)为类多层网络中的某一单层网络,对应类之间的某种交互关系i∈{IN,IM,PA,GL,ME,LO,RE};V是Gi的节点集,表示源代码中的所有类;Li是Gi的无向边集,表示类间的依赖关系;Pi是一个|V|×|V|的矩阵,代表Gi层网络中类之间依赖关系强弱的权重矩阵;IN代表一个类继承了另外一个类;IM代表一个类实现了另外一个抽象类;PA代表一个类的方法以另外一个类的对象为参数;GL代表一个类包含以另外一个类为类型的属性;ME代表一个类的方法调用了另外一个类的方法;LO代表一个类的方法中包含以另外一个类为类型的局部变量;RE代表一个类的方法返回另外一个类的对象;
(2)基于步骤(1)构建的MCN,计算节点n在每个单层网络Gi中的加权h指数hi(n),hi(n)的计算具体包括以下子步骤:
(2.1)求Gi中节点n的邻居节点集合vn;
(2.2)求节点n在Gi单层网络中所有节点的节点权;节点n在Gi中的节点权si(n)定义为Gi中与节点n相连的所有边的权重和,即:
其中,Pi(n,k)为Gi层网络中节点n和节点k之间边的权重;
(2.3)将vn中的节点按其节点权降序排列,得到排序后的数组list,list[1]位置存放的是节点权最大的节点;
(2.4)从list[1]开始,依次遍历list列表中的每个节点list[q],找到第一个满足节点权小于(m+1)的节点list[m+1],则节点n在Gi中的加权h指数hi(n)为m;
(2.5)重复步骤(2.1)~(2.4),得到节点n在所有层的加权h指数;
(3)基于步骤(2)求得的节点n在每个单层网络Gi中的加权h指数hi(n),将节点n在各层的hi(n)融合起来,得到节点n在整个MCN中的加权h指数hMCN(n),最终得到MCN中所有节点在整个MCN中的加权h指数hMCN,作为节点相应类的重要性值。
2.根据权利要求1所述一种基于类多层网络的软件类重要性度量方法,其特征在于,构建了Java软件的类粒度的多层网络MCN,所述的MCN由7个单层网络构成,这7个单层网络分别对应类之间的7种不同交互关系,即IN,IM,PA,GL,ME,LO,RE。
3.根据权利要求1所述一种基于类多层网络的软件类重要性度量方法,其特征在于,所述步骤(1)中,MCN的构建具体包括以下子步骤:
(1.1)提取Java语言编写的源代码中的所有类的集合V、类之间的所有关系的集合S,及各关系出现的频次;构建七个只有节点没有边的单层网络,即GIN=(V,Φ,PIN),GIM=(V,Φ,PIM),GPA=(V,Φ,PPA),GGL=(V,Φ,PGL),GME=(V,Φ,PME),GLO=(V,Φ,PLO),和GRE=(V,Φ,PRE),其中,Φ代表边集为空,Pi,i∈{IN,IM,PA,GL,ME,LO,RE}是一个零矩阵;
(1.2)取步骤(1.1)S集合中的一种关系r∈S,若r是i∈{IN,IM,PA,GL,ME,LO,RE}关系,则在Gi中相应的类之间增加一条无向边,同时Pi矩阵相应类对应的元素值为该种关系的频次;
(1.3)重复步骤(1.2),直到遍历完S中的所有关系;
(1.4)则MCN={GIN,GIM,GPA,GGL,GME,GLO,GRE}。
4.根据权利要求1所述一种基于类多层网络的软件类重要性度量方法,其特征在于,先求各个类在MCN中每一层的重要性,然后再通过统计平均数法将各层的重要性融合起来,作为类在整个MCN中的重要性。
5.根据权利要求1所述一种基于类多层网络的软件类重要性度量方法,其特征在于,所述步骤(3)中,使用统计平均数法将节点n在各层的hi(n)融合起来,得到节点n在整个MCN中的加权h指数hMCN(n),hMCN(n)的计算公式如下:
其中,wi是专家对Gi层网络在类重要性评估上的重要性给出的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261866.2A CN109445843B (zh) | 2018-10-26 | 2018-10-26 | 一种基于类多层网络的软件类重要性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261866.2A CN109445843B (zh) | 2018-10-26 | 2018-10-26 | 一种基于类多层网络的软件类重要性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109445843A true CN109445843A (zh) | 2019-03-08 |
CN109445843B CN109445843B (zh) | 2021-08-03 |
Family
ID=65548796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261866.2A Active CN109445843B (zh) | 2018-10-26 | 2018-10-26 | 一种基于类多层网络的软件类重要性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445843B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368147A (zh) * | 2020-02-25 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066163A1 (en) * | 2010-09-13 | 2012-03-15 | Nottingham Trent University | Time to event data analysis method and system |
CN105389192A (zh) * | 2015-12-18 | 2016-03-09 | 浙江工商大学 | 一种基于加权q2指数的软件类重要性度量方法 |
CN105487913A (zh) * | 2015-12-18 | 2016-04-13 | 浙江工商大学 | 一种基于加权a指数的软件包重要性度量方法 |
US20160283843A1 (en) * | 2014-03-28 | 2016-09-29 | Tencent Technology (Shenzhen) Company Limited | Application Recommending Method And Apparatus |
-
2018
- 2018-10-26 CN CN201811261866.2A patent/CN109445843B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066163A1 (en) * | 2010-09-13 | 2012-03-15 | Nottingham Trent University | Time to event data analysis method and system |
US20160283843A1 (en) * | 2014-03-28 | 2016-09-29 | Tencent Technology (Shenzhen) Company Limited | Application Recommending Method And Apparatus |
CN105389192A (zh) * | 2015-12-18 | 2016-03-09 | 浙江工商大学 | 一种基于加权q2指数的软件类重要性度量方法 |
CN105487913A (zh) * | 2015-12-18 | 2016-04-13 | 浙江工商大学 | 一种基于加权a指数的软件包重要性度量方法 |
Non-Patent Citations (2)
Title |
---|
X. WAN等: ""Researches on the topology optimization and simulation against attacks for MCN based on redundant links"", 《2012 IEEE 11TH INTERNATIONAL CONFERENCE ON COGNITIVE INFORMATICS AND COGNITIVE COMPUTING》 * |
潘伟丰等: ""基于复杂软件网络的回归测试用例优先级排序"", 《电子学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368147A (zh) * | 2020-02-25 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
CN111368147B (zh) * | 2020-02-25 | 2021-07-06 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109445843B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Embeddingvis: A visual analytics approach to comparative network embedding inspection | |
Nguyen et al. | Classification based on association rules: A lattice-based approach | |
Azad et al. | A simplified binary artificial fish swarm algorithm for 0–1 quadratic knapsack problems | |
CN107103050A (zh) | 一种大数据建模平台及方法 | |
Lee et al. | An approach for discovering firm-specific technology opportunities: Application of link prediction to F-term networks | |
Zanghi et al. | Strategies for online inference of model-based clustering in large and growing networks | |
Chu et al. | Finding the best k in core decomposition: A time and space optimal solution | |
CN106991614A (zh) | Spark下基于标签传播的并行重叠社区发现方法 | |
Botta et al. | Finding network communities using modularity density | |
Chae et al. | Technologies and applications of Industry 4.0: insights from network analytics | |
CN107038261A (zh) | 一种基于数据图谱、信息图谱和知识图谱的处理架构资源可动态抽象的语义建模方法 | |
CN109919172A (zh) | 一种多源异构数据的聚类方法及装置 | |
Tsujimoto et al. | Designing the coherent ecosystem: Review of the ecosystem concept in strategic management | |
Pan et al. | An improved master-apprentice evolutionary algorithm for minimum independent dominating set problem | |
CN115470994A (zh) | 基于显式时间和级联注意力的信息流行度预测方法和系统 | |
Liu et al. | Wl-align: Weisfeiler-lehman relabeling for aligning users across networks via regularized representation learning | |
CN109445843A (zh) | 一种基于类多层网络的软件类重要性度量方法 | |
He et al. | Genetic algorithm with ensemble learning for detecting community structure in complex networks | |
Zhang et al. | Hierarchical decomposition of big graphs | |
Ye et al. | Mining resource community and resource role network from event logs | |
Ping et al. | Batch mode active learning for node classification in assortative and disassortative networks | |
CN110119268B (zh) | 基于人工智能的工作流优化方法 | |
CN107578136A (zh) | 基于随机游走与种子扩展的重叠社区发现方法 | |
Zardi et al. | A multi-agent homophily-based approach for community detection in social networks | |
Jibouni et al. | A novel parameter free approach for link prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |