5个研究背景和意义示例,教你写计算机增强学习论文

今天分享的是关于增强学习的5篇计算机毕业论文范文, 如果你的论文涉及到增强学习等主题,本文能够帮助到你

面向Android App的自动化测试系统的设计与实现

这是一篇关于自动化测试,自动化测试系统,Android,GUI模型,增强学习的论文, 主要内容为现阶段Android已经成为市场占有率最高的移动端系统,Android应用(Application,App)种类繁多,用户在使用App时,也就有了更多的选择空间。App若想在用户中形成口碑传播,就必须对其功能、性能、稳定性等方面严格要求。测试作为产品质量保障的重要环节,已经成为软件开发过程中必不可少的步骤。随着产品功能不断增多、用户需求不断变化,传统的手工测试已经难以满足日益增长的测试需求,因此越来越多的公司开始使用自动化测试手段。鉴于自动化测试在测试工作中的重要性,本文设计并实现了面向Android App的自动化测试系统,该系统对规范测试流程、缩短测试时间、提高测试效率、降低测试成本提供帮助,对保障产品质量,确保App按期发布提供强有力支持。本文的主要工作如下:(1)需求分析。结合待测App的业务现状及测试需求,将整个系统分为UI(User Interface)自动化测试、接口自动化测试、稳定性测试和测试报告管理等主要模块,以满足多种测试需求。本文对系统各个功能模块的需求进行了详细的用例分析及功能描述。(2)稳定性测试工具的设计。针对Android应用界面组件(Widget)的特点,构建了基于组件的GUI(Graphical User Interface)模型,采用增强学习指导的探索方式,对探索到的后续GUI状态进行充分测试,最后利用Q-Learning算法基于Monkey源码和Android框架实现了稳定性测试工具,并将其命名为Q-Monkey。通过Q-Monkey与Monkey的实验对比,表明了Q-Monkey在Activity覆盖率和发现Bug能力上的提升,证实了该工具的有效性和高效性。(3)设计并实现自动化测试系统。本系统采用前后端分离的开发模式,前端使用Vue框架和Element-UI组件,并用Webpack进行前端代码管理,实现快速调试,降低了前端开发难度,同时也使系统界面更加简洁实用;后端使用Spring Boot框架,内置Tomcat容器,使系统部署更加容易;使用Spring Security框架和JWT(Json Web Token)在保证系统安全性的同时也实现了系统权限的可配置化。

面向Android App的自动化测试系统的设计与实现

基于多维标签和用户群组特征的LinUCB推荐算法研究

这是一篇关于推荐算法,增强学习,多臂赌博机,多维标签,用户群组的论文, 主要内容为目前,推荐算法已经在互联网产品中占据很重要的位置,传统的推荐模式通常是根据用户已有的历史记录作为训练集,训练好固定的推荐模式进行推荐。但是在现实场景中,用户和推荐系统往往需要持续且密切的交互行为。多臂赌博机算法为解决这个问题提供了有效支持,但仍存在特征数据稀疏、项目特征构建不完善和群组影响等问题。基于上述问题,本文具体的研究内容如下。首先,传统的多臂赌博机推荐算法解决冷启动问题时通常仅考虑用户对项目的评分矩阵,直接构建用户-项目特征矩阵,没有充分考虑项目自身的属性对项目特征构建的影响。本文提出一种基于多维标签的LinUCB(Linear Upper Confidence Bound)推荐算法,该算法通过构建项目-多维标签矩阵,深入提取用户和项目的特征,再使用多臂赌博机推荐算法进行推荐,以此来提高推荐系统的精确度。其次,针对目前基于多臂赌博机的推荐算法推荐对象局限于单用户的情况,提出基于用户群组特征的LinUCB推荐算法,将用户的群组偏好与上下文多臂赌博机算法融合,利用多维标签构建的用户和项目特征矩阵,使用K-means++算法进行用户聚类完成群组划分,在之后采用均值策略构建群组特征,从而完成为群组的推荐,在每一轮推荐结束后根据群组用户的反馈对该算法模型的参数进行动态更新。最后,分别将本文所提两种算法在真实的数据集Movielens中进行实验,验证其有效性和准确性。

医学关系抽取和知识图谱分布式表示研究

这是一篇关于有监督关系抽取,远程监督关系抽取,负例采样,知识图谱分布式表示,增强学习的论文, 主要内容为随着社会和经济的不断发展,人们的生活水平得到了极大地提升,对个人健康和生活问题开始投入越来越多的关注。同时,社会的发展也带来了技术的革新与进步,为了解决医疗费用和需求的增长与优质医疗资源不足之间的矛盾,智慧医疗技术应运而生,这将是一种可以充分利用医学文本知识来模拟医生进行学习和诊疗的技术。而智慧医疗的发展与学习医学知识必不可分,医学知识的来源整体上可概括为医学书籍、临床数据、网络数据三个方面,本文基于医学书籍、网络语料两个来源的数据,对知识图谱构建过程中的关系抽取技术和知识图谱的分布式表示进行了研究。(1)对医学数据进行人工标注,并训练有监督关系抽取模型。提出了基于自注意力机制的分段池化卷积神经网络分类模型,并引入了实体类别等特征使F1值达到了87.2%。(2)对不依赖人工标注的远程监督关系抽取进行了探索。在如何降低远程标注噪声问题方面进行了尝试:先后采用基于规则的方法、基于注意力机制的方法、基于增强学习的方法进行降噪,并探究了负例采样问题,最终的AUC值达到了0.489,也构建了一个涵盖信息较为丰富的基础医学知识图谱。(3)针对构建的基础知识图谱,将其由符号表示转化为更容易给其他任务提供信息输入的稠密低维实值向量表示。基于训练好的向量表示模型来预测知识图谱中的关系和实体,从而达到知识图谱补全的目的。经过上述研究,从各种医学书籍、医学网站出发构建了一个基础版的医学知识图谱。此外,本文构建的远程监督关系抽取框架可以在不需要人工标注的情况下适用于大部分医学语料,甚至是临床文本,这就相当于未来几乎可以将所有的医学知识都囊括到我们现有的知识图谱体系当中。进一步的,通过对知识图谱的分布式表示进行研究,可以直接将图谱的向量表示信息提供给对话问答、诊断推理等任务,从而能更好地发挥智慧医疗的作用,减少医生的诊断次数和诊断时间,促进优质医疗资源的下沉,弥补医疗资源的不足。