CN114218090A - 一种综合用户属性的测试资产推荐方法及系统 - Google Patents

一种综合用户属性的测试资产推荐方法及系统 Download PDF

Info

Publication number
CN114218090A
CN114218090A CN202111484104.0A CN202111484104A CN114218090A CN 114218090 A CN114218090 A CN 114218090A CN 202111484104 A CN202111484104 A CN 202111484104A CN 114218090 A CN114218090 A CN 114218090A
Authority
CN
China
Prior art keywords
target user
explicit
test
preference value
attribute
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.)
Pending
Application number
CN202111484104.0A
Other languages
English (en)
Inventor
高蕊
冷炜
龙飞
陈希
王震
周勖
郝春雪
卜子乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Citic Bank Corp Ltd
Original Assignee
China Citic Bank Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Citic Bank Corp Ltd filed Critical China Citic Bank Corp Ltd
Priority to CN202111484104.0A priority Critical patent/CN114218090A/zh
Publication of CN114218090A publication Critical patent/CN114218090A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种综合用户属性的测试资产推荐方法及系统，包括最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵，通过分析用户以及测试资产的显式属性和隐藏属性，将分析结果量化，形成用户与测试资产之间的偏好矩阵，针对不同用户可以得到不同的测试资产推荐结果，从而能够将测试资产准确地推荐给用户，帮助客户找到最适合自己的测试资产。

Description

一种综合用户属性的测试资产推荐方法及系统
技术领域
本发明涉及计算机软件测试技术领域，尤其涉及一种综合用户属性的测试资产推荐方法及系统。
背景技术
随着软件测试行业的日益发展完善，软件测试资产的规模也愈发庞大，目前软件测试资产包含但不限于：测试案例库、测试案例编写元素、被测系统功能点、测试规则点、自动化案例库、业务旅程、测试数据构造、测试相关技术、历史生产事件等等。
作为一名普通的用户，想要主动获取到所有相关测试资产往往比较困难，即使测试资产支持搜索功能，对于用户来说，也有可能出现搜索关键字不够明确导致搜索结果不精确的情况，并且获取到的测试资产很有可能不是用户真正想要的。
一个关键的问题在于，现有技术中对于测试资产的检索、推荐不能很好地结合用户属性给出结果，往往只能片面参考用户属性的某一特定部分作为结果推荐的依据，例如仅根据用户的职位、主要工作对象给出测试资产推荐，而不能全面考虑用户属性，因此给出的测试资产检索、推荐结果经常不能满足用户的需求。
发明内容
为解决现有技术的不足，本发明提出一种综合用户属性的测试资产推荐方法及系统，分析用户以及测试资产的显式属性和隐藏属性，将分析结果量化，形成用户与测试资产之间的偏好矩阵，针对不同用户可以得到不同的测试资产推荐结果，从而能够将测试资产准确地推荐给用户，帮助客户找到最适合自己的测试资产。
为实现以上目的，本发明所采用的技术方案包括：
一种综合用户属性的测试资产推荐方法，其特征在于，包括：
获取目标用户的隐藏属性，所述隐藏属性包括目标用户对测试资产的搜索次数和浏览次数；
根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值：
整合各目标用户对各测试资产的初始偏好值，获得初始偏好值矩阵，所述初始偏好值矩阵中初始偏好值为0的位置留空；
对初始偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；
获取目标用户的显式属性，并将目标用户的显式属性量化转换为目标用户显式属性向量；
获取测试资产的显式属性，并将测试资产的显式属性量化转换为测试资产显式属性向量；
通过最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵；
对中间偏好值矩阵进行矩阵分解获得新的目标用户隐藏属性向量和测试资产隐藏属性向量，并使用中间偏好值、新的目标用户隐藏属性向量和测试资产隐藏属性向量重复迭代进行最小化残差计算直至收敛，获得输出偏好值矩阵；
将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。
进一步地，所述根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值包括：
通过式1计算得到目标用户对测试资产的初始偏好值；
z＝x+a*y 式1
其中，x为测试资产的搜索次数，y为测试资产的浏览次数，z为目标用户对测试资产的初始偏好值，a为计算系数并取任意一个大于等于1的正数。
进一步地，所述计算系数a取2。
进一步地，所述目标用户的显式属性包括目标用户的职位、部门和所负责系统；所述将目标用户的显式属性量化转换为目标用户显式属性向量包括依据职位、部门和所负责系统的顺序将目标用户的显式属性量化转换为目标用户显式属性向量。
进一步地，所述测试资产的显式属性包括测试资产的类别和测试资产所属系统；所述将测试资产的显式属性量化转换为测试资产显式属性向量包括依据类别和所属系统的顺序将测试资产的显式属性量化转换为测试资产显式属性向量。
进一步地，所述通过最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵包括：
使用式2计算残差的最小值；
δ＝(rij-ui·vj-α·pi-β·qj)^2 式2
其中，rij为初始偏好值矩阵，ui为目标用户隐藏属性向量，vj为测试资产隐藏属性向量，pi为目标用户显式属性向量，qj为测试资产显式属性向量，α为第一系数向量，β为第二系数向量，6为残差；
使用LR线性回归算法求解式2，获得α和β；
根据计算获得的α和β使用式3计算得到调整后的中间偏好值矩阵；
r′ij＝rij-α·pi-β·qj 式3
其中，r′ij为中间偏好值矩阵。
进一步地，所述初始偏好值矩阵中各行分别对应一个目标用户、各列分别对应一项测试资产。
本发明还涉及一种综合用户属性的测试资产推荐系统，其特征在于，包括：
属性获取模块，用于获取目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性；
偏好值矩阵模块，用于建立偏好值矩阵，和对偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；
量化转换模块，用于将目标用户的显式属性量化转换为目标用户显式属性向量，和，将测试资产的显式属性量化转换为测试资产显式属性向量；
矩阵迭代模块，用于执行最小化残差计算并获得调整后的偏好值矩阵；
测试资产推荐模块，用于将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。
本发明还涉及一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
本发明还涉及一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性；
所述处理器，用于通过调用目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性，执行上述的方法。
本发明的有益效果为：
采用本发明所述综合用户属性的测试资产推荐方法及系统，分析用户以及测试资产的显式属性和隐藏属性，将分析结果量化，从而提炼用户的本质需求，形成用户与测试资产之间的偏好矩阵，针对不同用户可以得到不同的测试资产推荐结果，从而能够将测试资产准确地推荐给用户，帮助客户找到最适合自己的测试资产。
附图说明
图1为本发明综合用户属性的测试资产推荐方法流程示意图。
图2为本发明综合用户属性的测试资产推荐系统结构示意图。
具体实施方式
为了更清楚的理解本发明的内容，将结合附图和实施例详细说明。
用户属性分析，也就是从目标用户的属性入手，对目标用户的各项属性展开分析，从而提炼用户的本质需求。本发明从两个维度对用户以及测试资产属性进行分析，第一个维度是显式属性，也可以理解为可观测属性，比如用户的职位、部门、所负责系统，测试资产的类别，所属系统等等；另一个维度是隐藏属性，也就是通过用户的历史行为分析得出的偏好属性。针对显式属性和隐藏属性分析完成后，将分析结果量化，形成用户与测试资产之间的偏好矩阵，针对不用用户可以得到不同的测试资产推荐结果。
本发明第一方面涉及一种综合用户属性的测试资产推荐方法，流程如图1所示，包括：
获取目标用户的隐藏属性，所述隐藏属性包括目标用户对测试资产的搜索次数和浏览次数；
根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值，特别是采用式1计算：
z＝x+a*y 式1
其中，x为测试资产的搜索次数，y为测试资产的浏览次数，z为目标用户对测试资产的初始偏好值，a为计算系数并取任意一个大于等于1的正数，优选的a取2进行计算；
整合各目标用户对各测试资产的初始偏好值，获得初始偏好值矩阵，所述初始偏好值矩阵中初始偏好值为0的位置留空；
对初始偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；
获取目标用户的显式属性，并将目标用户的显式属性量化转换为目标用户显式属性向量，所述目标用户的显式属性包括目标用户的职位、部门和所负责系统；所述将目标用户的显式属性量化转换为目标用户显式属性向量包括依据职位、部门和所负责系统的顺序将目标用户的显式属性量化转换为目标用户显式属性向量；
获取测试资产的显式属性，并将测试资产的显式属性量化转换为测试资产显式属性向量，所述测试资产的显式属性包括测试资产的类别和测试资产所属系统；所述将测试资产的显式属性量化转换为测试资产显式属性向量包括依据类别和所属系统的顺序将测试资产的显式属性量化转换为测试资产显式属性向量；
通过最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵，具体的，采用式2进行最小化残差计算：
δ＝(rij-ui·vj-α·pi-β·qj)^2 式2
其中，rij为初始偏好值矩阵，ui为目标用户隐藏属性向量，vj为测试资产隐藏属性向量，pi为目标用户显式属性向量，qj为测试资产显式属性向量，α为第一系数向量，β为第二系数向量，δ为残差；通过使用LR线性回归算法求解式2，获得α和β；
通过带入求解的α和β使用式3计算得到调整后的中间偏好值矩阵：
r′ij＝rij-α·pi-β·qj 式3
其中，r′ij为中间偏好值矩阵；
对中间偏好值矩阵进行矩阵分解获得新的目标用户隐藏属性向量和测试资产隐藏属性向量，并使用中间偏好值、新的目标用户隐藏属性向量和测试资产隐藏属性向量重复迭代进行最小化残差计算直至收敛，获得输出偏好值矩阵；优选的，也可以通过设定最大迭代次数限制寻找输出偏好值矩阵，避免难以完全收敛的情况造成无合适矩阵可供使用；
将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。
本发明第二方面涉及一种结构如图2所示的综合用户属性的测试资产推荐系统，包括：
属性获取模块，用于获取目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性；
偏好值矩阵模块，用于建立偏好值矩阵，和对偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；
量化转换模块，用于将目标用户的显式属性量化转换为目标用户显式属性向量，和，将测试资产的显式属性量化转换为测试资产显式属性向量；
矩阵迭代模块，用于执行最小化残差计算并获得调整后的偏好值矩阵；
测试资产推荐模块，用于将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。
通过采用该系统可以用于实现上述方法的执行从而向用户自动化推荐测试资产。
以下通过一个具体的实施例进一步说明本发明方法的实现。
假设用户的职位共有3类(职位A、职位B、职位C)、部门共有5个(部门A-部门E)，所负责系统共有8个(系统A-系统H)。如果用户的显式属性为职位A部门A系统A，那么将用户的显式属性量化为显式特征矩阵[1 1 1]；如果用户的显式属性为职位C部门E系统H，那么将用户的显式属性量化为显式特征矩阵[3 5 8]。其余用户显式属性量化可依此类推。
假设测试资产的类别共有10类(类别A-类别J)、所属系统共有8个(系统A-系统H)。如果测试资产的显式属性为类别A系统A，那么将用户的显式属性量化为显式特征矩阵[11]；如果测试资产的显式属性为类别J系统H，那么将用户的显式属性量化为显式特征矩阵[10 8]。其余测试资产显式属性量化可依此类推。
接下来对用户的隐藏属性特征进行量化。我们首先对用户的行为分析，针对测试资产推荐装置，我们可分析的用户历史行为有两类，包括用户对相关测试资产的搜索次数以及用户对相关测试资产的浏览次数，这两项次数越高，代表用户该项测试资产越感兴趣。针对这两项次数，隐藏属性特征量化如下：
假设用户对相关测试资产的搜索次数为x，对相关测试资产的浏览次数为y，用户对相关测试资产的偏好值为z，规定公式z＝x+2*y，从而得出用户对测试资产的偏好值z。
假设共有A、B、C三个用户，共有A、B、C三项测试资产；用户A对资产A的偏好值为1，对资产B的偏好值为2，没有搜索和浏览过资产C；用户B对资产B的偏好值为3，对资产C的偏好值为4，没有搜索和浏览过资产A；用户C对资产C的偏好值为5，对资产A的偏好值为6，没有搜索和浏览过资产B；则可以将用户对资产的偏好值矩阵量化，得到如下初始偏好值矩阵：
Figure BDA0003395902580000071
矩阵中每一行代表一个用户，每一列代表一项测试资产。量化完成后，将用户的显式特征加入，目的是为了得到矩阵中为空的偏好值，也就是预测用户对没有搜索和浏览过的测试资产的偏好值，然后将预测偏好值高的测试资产推荐给用户。
具体的，可以采用如下步骤：
步骤一：对初始偏好值矩阵利用MF矩阵分解求出目标用户隐藏属性向量ui和测试资产隐藏属性向量vj；
步骤二：将目标用户显式特征和测试资产显式特征量化为向量pi和qj，对每一个偏好值rij，构建起对应的用户-测试资产显式特征向量[pi，qj]；
步骤三：利用步骤一得出的uj和vj，要使残差
δ＝(rij-ui·vj-α·pi-β·qj)^2
最小，利用LR线性回归算法对该问题求解，得出第一、第二系数向量α和β；
步骤四：利用步骤3得出的α和β，调整偏好值矩阵，使r′ij＝rij-α·pi-β·qj；
步骤五：利用步骤四得出的r′ij形成新的偏好值矩阵R，再对R进行矩阵分解，求解新的ui和vj；
步骤六：循环进行步骤四和步骤五，直至该问题收敛；
步骤七：收敛后，将最终得出的ui和vj相乘得出最后的输出偏好值矩阵
Figure BDA0003395902580000081
得到矩阵中对应的预测评分值，将预测偏好值高的测试资产推荐给用户。
以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换等都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种综合用户属性的测试资产推荐方法，其特征在于，包括：
获取目标用户的隐藏属性，所述隐藏属性包括目标用户对测试资产的搜索次数和浏览次数；
根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值；
整合各目标用户对各测试资产的初始偏好值，获得初始偏好值矩阵，所述初始偏好值矩阵中初始偏好值为0的位置留空；
对初始偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；
获取目标用户的显式属性，并将目标用户的显式属性量化转换为目标用户显式属性向量；
获取测试资产的显式属性，并将测试资产的显式属性量化转换为测试资产显式属性向量；
通过最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵；
对中间偏好值矩阵进行矩阵分解获得新的目标用户隐藏属性向量和测试资产隐藏属性向量，并使用中间偏好值、新的目标用户隐藏属性向量和测试资产隐藏属性向量重复迭代进行最小化残差计算直至收敛，获得输出偏好值矩阵；
将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。
2.如权利要求1所述的方法，其特征在于，所述根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值包括：
通过式1计算得到目标用户对测试资产的初始偏好值；
z＝x+a*y 式1
其中，x为测试资产的搜索次数，y为测试资产的浏览次数，z为目标用户对测试资产的初始偏好值，a为计算系数并取任意一个大于等于1的正数。
3.如权利要求2所述的方法，其特征在于，所述计算系数a取2。
4.如权利要求1所述的方法，其特征在于，所述目标用户的显式属性包括目标用户的职位、部门和所负责系统；所述将目标用户的显式属性量化转换为目标用户显式属性向量包括依据职位、部门和所负责系统的顺序将目标用户的显式属性量化转换为目标用户显式属性向量。
5.如权利要求1所述的方法，其特征在于，所述测试资产的显式属性包括测试资产的类别和测试资产所属系统；所述将测试资产的显式属性量化转换为测试资产显式属性向量包括依据类别和所属系统的顺序将测试资产的显式属性量化转换为测试资产显式属性向量。
6.如权利要求1所述的方法，其特征在于，所述通过最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵包括：
使用式2计算残差的最小值；
δ＝(rij-ui·vj-α·pi-β·qj)^2 式2
其中，rij为初始偏好值矩阵，ui为目标用户隐藏属性向量，vj为测试资产隐藏属性向量，pi为目标用户显式属性向量，qj为测试资产显式属性向量，α为第一系数向量，β为第二系数向量，δ为残差；
使用LR线性回归算法求解式2，获得α和β；
根据计算获得的α和β使用式3计算得到调整后的中间偏好值矩阵；
r′ij＝rij-α·pi-β·qj 式3
其中，r′ij为中间偏好值矩阵。
7.如权利要求1至6任一项所述的方法，其特征在于，所述初始偏好值矩阵中各行分别对应一个目标用户、各列分别对应一项测试资产。
8.一种综合用户属性的测试资产推荐系统，其特征在于，包括：
属性获取模块，用于获取目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性；
偏好值矩阵模块，用于建立偏好值矩阵，和对偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；
量化转换模块，用于将目标用户的显式属性量化转换为目标用户显式属性向量，和，将测试资产的显式属性量化转换为测试资产显式属性向量；
矩阵迭代模块，用于执行最小化残差计算并获得调整后的偏好值矩阵；
测试资产推荐模块，用于将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性；
所述处理器，用于通过调用目标用户的隐藏属性、目标用户的显式属性和测试资产的显式属性，执行权利要求1至7中任一项所述的方法。
CN202111484104.0A 2021-12-07 2021-12-07 一种综合用户属性的测试资产推荐方法及系统 Pending CN114218090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111484104.0A CN114218090A (zh) 2021-12-07 2021-12-07 一种综合用户属性的测试资产推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111484104.0A CN114218090A (zh) 2021-12-07 2021-12-07 一种综合用户属性的测试资产推荐方法及系统

Publications (1)

Publication Number Publication Date
CN114218090A true CN114218090A (zh) 2022-03-22

Family

ID=80700012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111484104.0A Pending CN114218090A (zh) 2021-12-07 2021-12-07 一种综合用户属性的测试资产推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114218090A (zh)

Similar Documents

Publication Publication Date Title
US12072998B2 (en) Differentially private processing and database storage
JP6969637B2 (ja) 因果関係分析方法および電子デバイス
Kathuria et al. Batched gaussian process bandit optimization via determinantal point processes
CN109446341A (zh) 知识图谱的构建方法及装置
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN114119058B (zh) 用户画像模型的构建方法、设备及存储介质
Ehre et al. A framework for global reliability sensitivity analysis in the presence of multi-uncertainty
Ma et al. Predicting QoS values via multi-dimensional QoS data for web service recommendations
CN118193778B (zh) 一种融合多特征的遥感图像检索方法
Giacoma et al. An efficient quasi-optimal space-time PGD application to frictional contact mechanics
CN115374354A (zh) 基于机器学习的科技服务推荐方法、装置、设备及介质
Bartoszek et al. Analytical advances alleviate model misspecification in non-Brownian multivariate comparative methods
CN104376120A (zh) 一种信息检索方法及系统
Otten et al. A case study in complexity estimation: Towards parallel branch-and-bound over graphical models
CN114218090A (zh) 一种综合用户属性的测试资产推荐方法及系统
Chang et al. Segmenting multiple time series by contemporaneous linear transformation
Sun et al. A decorrelating and debiasing approach to simultaneous inference for high-dimensional confounded models
CN112784055A (zh) 面向张量分解型知识图谱补全的正则项确定方法及装置
Andreichicov et al. Intelligent software for the quality management of the technical solutions
US11308431B2 (en) Hierarchical optimization for processing objectives sequentially and/or iteratively
CN111626819B (zh) 一种基于信任相关度的快速矩阵分解推荐方法及系统
Cudney et al. Predicting vehicle cost using the T-method
CN114756740A (zh) 一种算法推荐方法、装置、存储介质及电子设备
Salzman Spectral analysis with markov chains
Chen et al. Global sensitivity indices for multivariate outputs using RBF-PCE metamodel

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