• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于機(jī)器學(xué)習(xí)的軟件缺陷傾向性預(yù)測研究

    2022-05-09 02:26:17顏慧
    電腦知識(shí)與技術(shù) 2022年7期
    關(guān)鍵詞:隨機(jī)森林機(jī)器學(xué)習(xí)

    摘要:為了能盡早發(fā)現(xiàn)軟件中存在的缺陷,使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法來預(yù)測軟件模塊的缺陷傾向性,選取了NASA公開數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)集,針對(duì)軟件缺陷預(yù)測中類不平衡的問題,分別采取了隨機(jī)欠采樣和隨機(jī)過采樣的方案,再使用邏輯回歸算法和隨機(jī)森林算法分別對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測,使用了查準(zhǔn)率(Precision)、查全率(Recall)、ROC曲線下面積(AUC)作為模型的評(píng)價(jià)指標(biāo),并給出了對(duì)比實(shí)驗(yàn)的結(jié)果。

    關(guān)鍵詞:機(jī)器學(xué)習(xí);軟件缺陷預(yù)測;傾向性預(yù)測;邏輯回歸;隨機(jī)森林

    中圖分類號(hào):TP311.5? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A

    文章編號(hào):1009-3044(2022)07-0067-04

    1 引言

    隨著軟件行業(yè)的快速發(fā)展,軟件數(shù)量劇增,軟件的形式趨于多樣化,而且軟件的復(fù)雜程度不斷提高、規(guī)模不斷增大,軟件開發(fā)人員人數(shù)增多,軟件質(zhì)量問題日益突出。軟件缺陷是影響軟件質(zhì)量的關(guān)鍵因素,而軟件質(zhì)量問題又是導(dǎo)致軟件危機(jī)的重要原因。軟件缺陷是指軟件中存在的錯(cuò)誤或故障,在軟件的開發(fā)過程中難免會(huì)在軟件產(chǎn)品中隱藏許多缺陷,這些缺陷有可能會(huì)導(dǎo)致軟件系統(tǒng)不能正常運(yùn)行,嚴(yán)重的甚至?xí)?dǎo)致財(cái)產(chǎn)、人身安全的重大損失。

    如果能盡早發(fā)現(xiàn)軟件中存在的錯(cuò)誤并盡早修正這些錯(cuò)誤,就可以避免在實(shí)際運(yùn)行時(shí)發(fā)生錯(cuò)誤而導(dǎo)致的損失,而且能減少開發(fā)的成本和時(shí)間,提高軟件質(zhì)量,減少軟件危機(jī)帶來的影響。如何充分做好軟件的測試工作,保障軟件質(zhì)量,提高軟件的可靠性,是軟件工程中的一個(gè)重要研究課題。

    隨著人工智能技術(shù)的發(fā)展,如果能在傳統(tǒng)的軟件工程方法學(xué)中結(jié)合機(jī)器學(xué)習(xí)及深度學(xué)習(xí)等先進(jìn)的技術(shù)來預(yù)測軟件缺陷,盡早地預(yù)測出軟件中哪些模塊可能存在缺陷、缺陷數(shù)量、缺陷的嚴(yán)重程度等,就可以提高軟件測試的智能化程度,給軟件質(zhì)量提供有力的保障,并在一定程度上緩解軟件危機(jī)。在企業(yè)的實(shí)際應(yīng)用中,通過機(jī)器學(xué)習(xí)技術(shù)來預(yù)測軟件缺陷,通過對(duì)軟件缺陷的嚴(yán)重程度進(jìn)行排序,優(yōu)先處理較嚴(yán)重的軟件缺陷,就可以在有限的時(shí)間、成本、人力等資源限制之內(nèi),優(yōu)化資源的分配,提高軟件測試的效率及效果,提升軟件質(zhì)量,節(jié)約企業(yè)的成本,提高項(xiàng)目的成功率。

    軟件缺陷預(yù)測是軟件工程領(lǐng)域的熱點(diǎn)問題,國內(nèi)外眾多學(xué)者對(duì)軟件缺陷的預(yù)測進(jìn)行了研究,提出了多種研究方法并取得了豐富的研究成果,比較常見的技術(shù)是使用統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)(包括深度學(xué)習(xí))的技術(shù)來進(jìn)行軟件缺陷預(yù)測[1]。

    預(yù)測軟件模塊缺陷的傾向性就是預(yù)測軟件模塊中是否存在軟件缺陷,這是一個(gè)二分類問題。在預(yù)測軟件模塊缺陷傾向性時(shí),常用的算法有邏輯回歸、SVM(支持向量機(jī))、貝葉斯網(wǎng)絡(luò)、決策樹、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等有監(jiān)督學(xué)習(xí)算法,K-means、譜聚類等無監(jiān)督學(xué)習(xí)算法,基于圖、主動(dòng)半監(jiān)督學(xué)習(xí)、半監(jiān)督字典學(xué)習(xí)方法等半監(jiān)督學(xué)習(xí)算法[2]。

    目前已經(jīng)有一些公開的軟件缺陷庫可供研究,但是這些數(shù)據(jù)集中普遍樣本數(shù)較少,且在數(shù)據(jù)集中存在嚴(yán)重的類不平衡問題,因此本文主要采用傳統(tǒng)的機(jī)器學(xué)習(xí)方法來研究軟件缺陷的傾向性預(yù)測的問題,并對(duì)比各機(jī)器學(xué)習(xí)算法的實(shí)驗(yàn)結(jié)果。

    2 方案設(shè)計(jì)

    方案設(shè)計(jì)的總體思路是先選取合適的數(shù)據(jù)集,在程序中讀取數(shù)據(jù)集中的數(shù)據(jù),使用數(shù)據(jù)可視化等方法和手段去觀察和分析數(shù)據(jù)集中樣本的情況,例如樣本是否存在缺失值、異常值,是否存在類不平衡的問題等。根據(jù)觀察的結(jié)果對(duì)讀取的數(shù)據(jù)進(jìn)行預(yù)處理,如果存在缺失值和異常值的情況,則對(duì)缺失值進(jìn)行填充,異常值進(jìn)行刪除或者是根據(jù)一定的策略,用均值或上下樣本的值進(jìn)行替換;如果樣本中存在類不平衡的問題,則需要對(duì)樣本進(jìn)行上采樣或下采樣,使得數(shù)據(jù)集中的樣本基本達(dá)到類平衡。之后根據(jù)具體的問題選擇合適的機(jī)器學(xué)習(xí)模型及模型評(píng)價(jià)指標(biāo),對(duì)數(shù)據(jù)集進(jìn)行劃分之后,使用訓(xùn)練集對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練,使用驗(yàn)證集調(diào)整模型參數(shù),最后使用測試集對(duì)模型的效果進(jìn)行評(píng)價(jià)。通過對(duì)比模型的評(píng)價(jià)指標(biāo)得分,從中選取最適合的機(jī)器學(xué)習(xí)模型來對(duì)實(shí)際應(yīng)用中軟件的缺陷傾向性進(jìn)行預(yù)測。

    2.1 數(shù)據(jù)集

    軟件缺陷數(shù)據(jù)集按來源可分為商業(yè)數(shù)據(jù)集和公共數(shù)據(jù)集這兩大類。因?yàn)樯虡I(yè)數(shù)據(jù)集一般不易獲得,因此研究人員常用的公共軟件缺陷數(shù)據(jù)集,包括NASA、PROMISE等軟件缺陷數(shù)據(jù)集。使用公共數(shù)據(jù)來進(jìn)行研究,有利于實(shí)驗(yàn)復(fù)現(xiàn)。

    文中使用的數(shù)據(jù)集是NASA軟件缺陷數(shù)據(jù)集,從中選取了12個(gè)數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。在NASA軟件缺陷數(shù)據(jù)集中,每個(gè)無缺陷的模塊對(duì)應(yīng)一條標(biāo)記為無缺陷的樣本,每個(gè)有缺陷的模塊對(duì)應(yīng)一條標(biāo)記為有缺陷樣本。通過對(duì)這些數(shù)據(jù)集中的樣本進(jìn)行統(tǒng)計(jì)分析,得到每個(gè)數(shù)據(jù)集中的樣本數(shù)、特征數(shù)、無缺陷模塊數(shù)、有缺陷模塊數(shù)以及缺陷率如表1所示。

    根據(jù)帕累托法則,在軟件中,約有80%的錯(cuò)誤集中在20%的代碼中,因而在大部分的軟件缺陷數(shù)據(jù)集中,大部分模塊是無缺陷模塊,只有少部分模塊是有缺陷模塊,并且無缺陷模塊的數(shù)量要遠(yuǎn)大于有缺陷的模塊。從表1中的12個(gè)軟件缺陷數(shù)據(jù)集的統(tǒng)計(jì)數(shù)據(jù)中也可以較直觀地看出,在NASA大部分的軟件缺陷數(shù)據(jù)集中,無缺陷樣本數(shù)要遠(yuǎn)大于有缺陷樣本數(shù)。因此,在軟件缺陷的預(yù)測問題中,類不平衡的問題格外突出。在數(shù)據(jù)集中存在類不平衡,就會(huì)產(chǎn)生誤報(bào)和漏報(bào)的問題。在進(jìn)行軟件缺陷預(yù)測時(shí),將有缺陷樣本預(yù)測為無缺陷樣本,就會(huì)導(dǎo)致漏報(bào);而將無缺陷樣本預(yù)測為有缺陷樣本,就會(huì)產(chǎn)生誤報(bào)。而漏報(bào)和誤報(bào)的代價(jià)是不同的,誤報(bào)會(huì)導(dǎo)致在測試時(shí)增加測試人員、測試時(shí)間等成本,而漏報(bào)則會(huì)在軟件交付給客戶之后產(chǎn)生不可預(yù)計(jì)的后果。因此,需要在軟件缺陷預(yù)測的過程中處理類不平衡的問題。

    2.2 數(shù)據(jù)預(yù)處理

    數(shù)據(jù)預(yù)處理部分主要包括異常值處理、降維處理、類不平衡處理、數(shù)據(jù)差異處理等。異常值處理又包括異常值的檢測和異常值處理。異常值的檢測可以通過可視化的方法來初步判斷哪些是異常值,常用的工具有散點(diǎn)圖、箱線圖等。異常值的處理有刪除、填充等方式,可以根據(jù)閾值將異常值刪除,或用上下樣本的正常值進(jìn)行填充。

    文中首先對(duì)數(shù)據(jù)集中的樣本進(jìn)行缺失值、異常值、標(biāo)準(zhǔn)化等常規(guī)的預(yù)處理之后,再根據(jù)軟件缺陷預(yù)測問題中類不平衡的問題,在數(shù)據(jù)層面上再對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的處理。

    在處理類不平衡問題時(shí),目前的研究主要從數(shù)據(jù)層面和算法層面來處理[3]。從數(shù)據(jù)層面處理類不平衡問題,主要有抽樣法和數(shù)據(jù)集劃分法等。在算法層面處理類不平衡問題,主要有代價(jià)敏感法、集成學(xué)習(xí)法、閾值移動(dòng)法等。本文采用隨機(jī)過采樣和隨機(jī)欠采樣的方法來處理軟件缺陷數(shù)據(jù)集中類的不平衡問題,分別通過隨機(jī)過采樣和隨機(jī)欠采樣的方式獲取兩個(gè)處理之后的數(shù)據(jù)集,再用相同的模型去進(jìn)行訓(xùn)練,然后比較兩種方案的實(shí)驗(yàn)結(jié)果。

    在隨機(jī)欠采樣方案中,首先計(jì)算出數(shù)據(jù)集中標(biāo)記為有缺陷樣本的數(shù)量,然后在標(biāo)記為無缺陷的樣本中,隨機(jī)選取與有缺陷樣本同樣數(shù)量的樣本,再將有缺陷樣本和無缺陷樣本進(jìn)行組合得到下采樣之后的數(shù)據(jù),在這個(gè)基礎(chǔ)上進(jìn)行模型的訓(xùn)練與預(yù)測。

    在隨機(jī)過采樣方案中,采用的是SMOTE過采樣技術(shù),使用SMOTE算法來生成新的標(biāo)記為有缺陷的樣本,與之前的樣本進(jìn)行合并,從而得到隨機(jī)上采樣之后的數(shù)據(jù)集,達(dá)到類之間的基本平衡。

    2.3 選取評(píng)價(jià)指標(biāo)

    預(yù)測軟件缺陷傾向性是一個(gè)二分類問題,在分類問題中評(píng)價(jià)模型預(yù)測性能時(shí)常用的評(píng)價(jià)指標(biāo)有Accuracy(準(zhǔn)確率)、Precision(查準(zhǔn)率)、Recall(查全率)、AUC(ROC曲線下面積)等[4]。本文選取Precision(查準(zhǔn)率)、Recall(查全率)、AUC(ROC曲線下面積)作為模型的評(píng)價(jià)指標(biāo)。

    對(duì)于二分類問題,分類結(jié)果常用混淆矩陣來表示,如表2所示。

    其中TP代表真正例的數(shù)量,F(xiàn)P代表假正例的數(shù)量,TN代表正反例的數(shù)量,F(xiàn)N代表假反例的數(shù)量。

    查準(zhǔn)率Precision表示在所有預(yù)測為正例的樣本中,真正例的比例。其定義如式(1)所示:

    查全率Recall表示在所有正樣本中,預(yù)測正確的比例。其定義如式(2)所示:

    把數(shù)據(jù)集中標(biāo)記為無缺陷的軟件模塊作為正例,標(biāo)記為有缺陷的軟件模塊作為反例,則P表示在所有預(yù)測為無缺陷樣本中,標(biāo)記為無缺陷樣本的比例。R表示在所有標(biāo)記為無缺陷樣本中,將標(biāo)記為無缺陷樣本預(yù)測為無缺陷樣本的比例。

    因?yàn)樵谶M(jìn)行軟件缺陷預(yù)測時(shí),需要比較多個(gè)學(xué)習(xí)器的性能,因此選取了AUC作為模型的一個(gè)評(píng)價(jià)指標(biāo)。在進(jìn)行多個(gè)學(xué)習(xí)器性能的比較時(shí),常用的指標(biāo)是AUC(ROC曲線下面積)。ROC曲線是以“真正例率”和“假正例率”作為坐標(biāo)系的縱軸和橫軸進(jìn)行繪制,AUC代表ROC曲線下的面積。AUC越大,則學(xué)習(xí)器的性能越好。

    2.4 邏輯回歸模型

    邏輯回歸(Logistic Regression)是做分類任務(wù)時(shí)一種比較基礎(chǔ)的機(jī)器學(xué)習(xí)算法,因?yàn)檐浖毕輧A向性問題是一個(gè)二分類問題,因此可以使用邏輯回歸模型去解決軟件傾向性預(yù)測的問題。

    在線性回歸模型中,使用輸入樣本的特性的線性組合來產(chǎn)生預(yù)測值,如式(3)所示:

    在二分類問題中,在線性回歸模型的基礎(chǔ)上,邏輯回歸模型中使用了Sigmoid函數(shù)將線性回歸模型中得到的預(yù)測值映射到[0,1]區(qū)間,完成了從預(yù)測值到概率值的轉(zhuǎn)化,從而可以得到相應(yīng)類別的預(yù)測概率值。Sigmoid函數(shù)如式(4)所示:

    邏輯回歸模型可以直接對(duì)樣本屬于各類別的可能性進(jìn)行建模,并且得到各類別相應(yīng)的概率預(yù)測。

    2.5 隨機(jī)森林模型

    隨機(jī)森林(Random Forest)是一種集成學(xué)習(xí)算法,以決策樹作為基學(xué)習(xí)器,使用Bagging進(jìn)行集成,構(gòu)建出泛化能力更強(qiáng)的學(xué)習(xí)器。隨機(jī)森林由多棵決策樹組成,每棵決策樹從樣本的屬性集合中,隨機(jī)選擇一個(gè)包含k個(gè)屬性的子集,再從中選出最優(yōu)屬性用于劃分,最后在預(yù)測分類時(shí),根據(jù)每棵樹的結(jié)果來投票決定樣本所屬的類別。隨機(jī)森林算法比較簡單,也有不錯(cuò)的性能表現(xiàn)。

    文中選取了以上兩種傳統(tǒng)機(jī)器學(xué)習(xí)算法來建立軟件缺陷的預(yù)測模型,并對(duì)比兩種算法在兩種采樣方案中的性能。

    3 實(shí)驗(yàn)結(jié)果分析

    實(shí)驗(yàn)在Anaconda3環(huán)境下,采用Python語言編寫,完成程序的編寫和調(diào)試。首先對(duì)數(shù)據(jù)集按照上采樣和下采樣兩種方案進(jìn)行處理,在兩種方案下重新構(gòu)造類平衡的數(shù)據(jù)集,然后將新構(gòu)造的數(shù)據(jù)集劃分為訓(xùn)練集和測試集,分別使用了邏輯回歸算法和隨機(jī)森林算法使用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練,使用測試集來進(jìn)行預(yù)測得到最終預(yù)測結(jié)果,對(duì)預(yù)測結(jié)果使用之前選定的Precision(查準(zhǔn)率)、Recall(查全率)、AUC(ROC曲線下面積)等指標(biāo)進(jìn)行評(píng)分,并對(duì)實(shí)驗(yàn)的結(jié)果進(jìn)行對(duì)比分析。

    3.1 隨機(jī)欠采樣方案

    在隨機(jī)欠采樣方案中,在標(biāo)記為無缺陷的樣本中,隨機(jī)選取與有缺陷樣本同樣數(shù)量的樣本,再將有缺陷樣本和無缺陷樣本進(jìn)行組合,得到新的類平衡的數(shù)據(jù)集[5]。由于軟件缺陷數(shù)據(jù)集中存在類不平衡問題,標(biāo)記為無缺陷樣本數(shù)要相對(duì)多于標(biāo)記為有缺陷樣本數(shù),因此得到新數(shù)據(jù)集中的樣本數(shù)就會(huì)較少。

    3.2 隨機(jī)過采樣方案

    在隨機(jī)過采樣方案中,使用SMOTE算法[6],對(duì)標(biāo)記為有缺陷的少數(shù)樣本進(jìn)行分析,生成新的標(biāo)記為有缺陷的樣本,與原先的標(biāo)記為無缺陷樣本合并為新的類平衡的數(shù)據(jù)集,在此基礎(chǔ)上進(jìn)行模型的訓(xùn)練。由于標(biāo)記為無缺陷樣本數(shù)量較多,因此合成之后的新數(shù)據(jù)集中的樣本數(shù)會(huì)增多。

    3.3 實(shí)驗(yàn)結(jié)果分析

    根據(jù)實(shí)驗(yàn)結(jié)果數(shù)據(jù),繪制出Recall值對(duì)比的折線圖如圖1。

    繪制出Precision值對(duì)比的折線圖如圖2所示。

    從實(shí)驗(yàn)結(jié)果可以看出,隨機(jī)上采樣方案的總體性能優(yōu)于隨機(jī)下采樣方案。這是由于隨機(jī)欠采樣生成的新數(shù)據(jù)集樣本數(shù)量較少,模型訓(xùn)練不充分,存在欠擬合現(xiàn)象。而在隨機(jī)過采樣方案中,合成了新的標(biāo)記為有缺陷的樣本,新的樣本集數(shù)量增多,減少了模型欠擬合的風(fēng)險(xiǎn)。

    從總體上看,隨機(jī)森林算法總體上優(yōu)于邏輯回歸算法。由于隨機(jī)森林算法采用的是集成學(xué)習(xí)算法,集成了多個(gè)基學(xué)習(xí)器,因此泛化能力更強(qiáng),在查準(zhǔn)率Precision上比邏輯回歸算法表現(xiàn)更好。

    4 結(jié)束語

    軟件缺陷預(yù)測是軟件工程領(lǐng)域的熱點(diǎn)問題,主要從軟件模塊的缺陷傾向性、軟件模塊中缺陷數(shù)量、軟件模塊中缺陷的嚴(yán)重程度等方面來對(duì)軟件缺陷進(jìn)行預(yù)測。

    文中主要研究了軟件缺陷傾向性預(yù)測的問題。針對(duì)目前常見的公開軟件缺陷數(shù)據(jù)集中數(shù)據(jù)樣本數(shù)量較少的現(xiàn)狀,采取了一些經(jīng)典的機(jī)器學(xué)習(xí)算法,如邏輯回歸算法、隨機(jī)森林算法來對(duì)軟件模塊的缺陷傾向性進(jìn)行預(yù)測。對(duì)于在軟件缺陷數(shù)據(jù)集中存在嚴(yán)重類不平衡的問題,分別采取了隨機(jī)上采樣和隨機(jī)下采樣的方案生成新的數(shù)據(jù)集,通過實(shí)驗(yàn)對(duì)比這兩種方案的性能表現(xiàn)。在選擇模型的評(píng)價(jià)指標(biāo)時(shí),使用了分類問題中常用的一些指標(biāo),如精確率(Precision)、召回率(Recall)、AUC(Area Under ROC Curve)等作為模型的評(píng)價(jià)指標(biāo),并給出了不同的采樣方案、不同的算法對(duì)比實(shí)驗(yàn)的結(jié)果。

    在后續(xù)的工作中,將繼續(xù)研究如何使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法來預(yù)測軟件模塊中存在的缺陷數(shù)量,以及在有缺陷的模塊中缺陷的嚴(yán)重程度,并進(jìn)一步研究如何更好地解決軟件缺陷預(yù)測問題中存在的嚴(yán)重類不平衡問題。

    參考文獻(xiàn):

    [1] 宮麗娜,姜淑娟,姜麗.軟件缺陷預(yù)測技術(shù)研究進(jìn)展[J].軟件學(xué)報(bào),2019,30(10):3090-3114.

    [2] 吳方君.靜態(tài)軟件缺陷預(yù)測研究進(jìn)展[J].計(jì)算機(jī)科學(xué)與探索,2019,13(10):1621-1637.

    [3] 劉文英,林亞林,李克文,等.一種軟件缺陷不平衡數(shù)據(jù)分類新方法[J].山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,40(2):84-94.

    [4] 葛修婷,潘婭.機(jī)器學(xué)習(xí)技術(shù)在軟件測試領(lǐng)域的應(yīng)用[J].西南科技大學(xué)學(xué)報(bào),2018,33(4):90-97.

    [5] 李冉,周麗娟,王華.面向類不平衡數(shù)據(jù)集的軟件缺陷預(yù)測模型[J].計(jì)算機(jī)應(yīng)用研究,2018,35(9):2806-2810.

    [6] 王海,江峰,杜軍威,等.過采樣與集成學(xué)習(xí)方法在軟件缺陷預(yù)測中的對(duì)比研究[J].計(jì)算機(jī)與現(xiàn)代化,2020(6):83-88.

    【通聯(lián)編輯:謝媛媛】

    收稿日期:2021-12-08

    基金項(xiàng)目:廣東白云學(xué)院2021年度校級(jí)科研項(xiàng)目:基于機(jī)器學(xué)習(xí)的軟件缺陷預(yù)測研究(項(xiàng)目編號(hào):2021BYKY19)

    作者簡介:顏慧(1979—),女,廣西橫州人,講師,碩士,研究方向?yàn)檐浖こ?、機(jī)器學(xué)習(xí)。

    猜你喜歡
    隨機(jī)森林機(jī)器學(xué)習(xí)
    隨機(jī)森林在棉蚜蟲害等級(jí)預(yù)測中的應(yīng)用
    基于二次隨機(jī)森林的不平衡數(shù)據(jù)分類算法
    軟件(2016年7期)2017-02-07 15:54:01
    拱壩變形監(jiān)測預(yù)報(bào)的隨機(jī)森林模型及應(yīng)用
    基于詞典與機(jī)器學(xué)習(xí)的中文微博情感分析
    基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用
    基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測分析
    前綴字母為特征在維吾爾語文本情感分類中的研究
    基于隨機(jī)森林算法的飛機(jī)發(fā)動(dòng)機(jī)故障診斷方法的研究
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    機(jī)器學(xué)習(xí)理論在高中自主學(xué)習(xí)中的應(yīng)用
    亚洲真实伦在线观看| 亚洲五月天丁香| 三级毛片av免费| 天堂影院成人在线观看| 一区二区三区激情视频| 久久精品国产亚洲av香蕉五月| 久久久国产精品麻豆| 午夜免费激情av| 亚洲avbb在线观看| 欧美性长视频在线观看| 久久久久亚洲av毛片大全| 亚洲精品国产精品久久久不卡| 午夜免费激情av| 国产av一区在线观看免费| 一本大道久久a久久精品| 亚洲 国产 在线| 久久精品aⅴ一区二区三区四区| 极品教师在线免费播放| 日韩一卡2卡3卡4卡2021年| 免费在线观看日本一区| 亚洲精品在线美女| 天堂动漫精品| 久9热在线精品视频| 久久午夜综合久久蜜桃| 一区二区三区激情视频| 日本精品一区二区三区蜜桃| 欧美成人一区二区免费高清观看 | 天天添夜夜摸| 亚洲成国产人片在线观看| netflix在线观看网站| 久久久久久人人人人人| 成人亚洲精品一区在线观看| 久久久国产成人精品二区| 精品国产国语对白av| 天天躁夜夜躁狠狠躁躁| 国产欧美日韩精品亚洲av| 在线观看免费日韩欧美大片| 国产视频内射| 少妇熟女aⅴ在线视频| 亚洲精品一区av在线观看| 淫秽高清视频在线观看| 成年免费大片在线观看| 欧美国产精品va在线观看不卡| 久久久久亚洲av毛片大全| 午夜福利免费观看在线| 国产区一区二久久| 女性被躁到高潮视频| 午夜福利18| 免费看美女性在线毛片视频| 国产亚洲欧美精品永久| 亚洲午夜精品一区,二区,三区| 99国产极品粉嫩在线观看| videosex国产| 成年女人毛片免费观看观看9| 亚洲一区二区三区不卡视频| 日韩精品青青久久久久久| 国产精品九九99| 久9热在线精品视频| 欧美最黄视频在线播放免费| 亚洲专区中文字幕在线| 91av网站免费观看| 国产成人啪精品午夜网站| 国产精品国产高清国产av| 国产精品久久久av美女十八| 大型av网站在线播放| 欧美日韩亚洲国产一区二区在线观看| 女同久久另类99精品国产91| 色综合亚洲欧美另类图片| 中亚洲国语对白在线视频| 国产精品 欧美亚洲| 欧美精品亚洲一区二区| 国产一卡二卡三卡精品| 国产真实乱freesex| 成人一区二区视频在线观看| 国产av在哪里看| 免费高清在线观看日韩| 亚洲免费av在线视频| 亚洲一区二区三区不卡视频| 99久久久亚洲精品蜜臀av| 老汉色av国产亚洲站长工具| 国产视频内射| 亚洲欧美精品综合一区二区三区| 亚洲av美国av| 精品欧美国产一区二区三| 啦啦啦观看免费观看视频高清| 成人av一区二区三区在线看| 亚洲性夜色夜夜综合| e午夜精品久久久久久久| 又黄又粗又硬又大视频| 日韩欧美一区视频在线观看| 十八禁人妻一区二区| 久久热在线av| 嫩草影视91久久| 亚洲无线在线观看| 亚洲成a人片在线一区二区| 欧美乱码精品一区二区三区| 午夜福利欧美成人| 国产亚洲av嫩草精品影院| 中文字幕久久专区| 少妇粗大呻吟视频| 少妇裸体淫交视频免费看高清 | 国产av一区在线观看免费| 中文亚洲av片在线观看爽| 久久久久久久久久黄片| 美女 人体艺术 gogo| 国产亚洲精品一区二区www| 亚洲欧美日韩无卡精品| 国产精华一区二区三区| 啦啦啦观看免费观看视频高清| 日韩免费av在线播放| 淫秽高清视频在线观看| 老司机福利观看| 一级a爱视频在线免费观看| 久久天堂一区二区三区四区| av福利片在线| 亚洲国产精品合色在线| 美女高潮喷水抽搐中文字幕| 国产97色在线日韩免费| 变态另类成人亚洲欧美熟女| 亚洲熟妇熟女久久| 欧美色欧美亚洲另类二区| 熟妇人妻久久中文字幕3abv| 在线免费观看的www视频| 欧美人与性动交α欧美精品济南到| 一级毛片精品| av在线播放免费不卡| 一边摸一边抽搐一进一小说| 中文字幕高清在线视频| www日本黄色视频网| 母亲3免费完整高清在线观看| www.熟女人妻精品国产| 精品电影一区二区在线| 免费看美女性在线毛片视频| 精品第一国产精品| ponron亚洲| av在线天堂中文字幕| 人妻久久中文字幕网| 一级黄色大片毛片| 嫩草影院精品99| 可以免费在线观看a视频的电影网站| 美女国产高潮福利片在线看| 99精品欧美一区二区三区四区| 国产麻豆成人av免费视频| 欧美乱码精品一区二区三区| 午夜福利一区二区在线看| 久久九九热精品免费| 午夜免费鲁丝| 久久久久亚洲av毛片大全| 大型av网站在线播放| 日本一本二区三区精品| 少妇粗大呻吟视频| 男女视频在线观看网站免费 | 国产视频一区二区在线看| 19禁男女啪啪无遮挡网站| aaaaa片日本免费| 亚洲va日本ⅴa欧美va伊人久久| 国产免费av片在线观看野外av| 久久久国产成人免费| 国产伦一二天堂av在线观看| 日韩欧美一区视频在线观看| 免费在线观看亚洲国产| 亚洲电影在线观看av| 国产精品日韩av在线免费观看| 非洲黑人性xxxx精品又粗又长| 搡老熟女国产l中国老女人| 久久精品aⅴ一区二区三区四区| 好男人在线观看高清免费视频 | 在线观看午夜福利视频| 久久久久免费精品人妻一区二区 | 亚洲一区高清亚洲精品| 精品国产超薄肉色丝袜足j| 免费高清在线观看日韩| 成人18禁在线播放| 女人高潮潮喷娇喘18禁视频| 亚洲av第一区精品v没综合| 日韩欧美国产在线观看| 亚洲 国产 在线| cao死你这个sao货| 亚洲av成人一区二区三| 国产私拍福利视频在线观看| 精品久久蜜臀av无| 亚洲成人久久性| 日本a在线网址| 九色国产91popny在线| 午夜免费成人在线视频| 禁无遮挡网站| 91在线观看av| 国产欧美日韩精品亚洲av| 国产单亲对白刺激| 日韩免费av在线播放| 国产成人精品久久二区二区91| 最新美女视频免费是黄的| 婷婷精品国产亚洲av在线| 国产精品 国内视频| 国产99久久九九免费精品| 天天躁狠狠躁夜夜躁狠狠躁| 99riav亚洲国产免费| 人人妻人人看人人澡| 搡老岳熟女国产| 久久久久国内视频| 日本熟妇午夜| 成人亚洲精品一区在线观看| 国产人伦9x9x在线观看| 美女免费视频网站| 国产国语露脸激情在线看| 777久久人妻少妇嫩草av网站| 亚洲中文av在线| 一卡2卡三卡四卡精品乱码亚洲| 动漫黄色视频在线观看| 欧美日韩亚洲综合一区二区三区_| 丰满人妻熟妇乱又伦精品不卡| 18禁观看日本| 久久精品91无色码中文字幕| 一区二区三区国产精品乱码| 在线免费观看的www视频| 日韩有码中文字幕| 一区二区三区激情视频| 国产精品久久久久久人妻精品电影| 看免费av毛片| 18禁国产床啪视频网站| 久久久久国产一级毛片高清牌| 丝袜在线中文字幕| 国产精品久久视频播放| 色播在线永久视频| 欧美午夜高清在线| 欧美另类亚洲清纯唯美| 久久人人精品亚洲av| 中国美女看黄片| 免费观看精品视频网站| 18禁国产床啪视频网站| 欧美中文综合在线视频| 亚洲美女黄片视频| 人人妻人人澡人人看| 黄色成人免费大全| 亚洲欧美一区二区三区黑人| 午夜日韩欧美国产| 天堂动漫精品| 制服人妻中文乱码| 欧美黑人精品巨大| 精品午夜福利视频在线观看一区| 午夜免费成人在线视频| 女警被强在线播放| 亚洲熟女毛片儿| 精品国产乱码久久久久久男人| 黑人欧美特级aaaaaa片| 国产精品久久久久久精品电影 | 一区二区日韩欧美中文字幕| 国产成人一区二区三区免费视频网站| 丝袜在线中文字幕| 麻豆av在线久日| 国产成+人综合+亚洲专区| 99精品欧美一区二区三区四区| 欧美成人免费av一区二区三区| 天天躁夜夜躁狠狠躁躁| 99在线视频只有这里精品首页| 色老头精品视频在线观看| 视频区欧美日本亚洲| 亚洲天堂国产精品一区在线| 草草在线视频免费看| 国产视频内射| 日韩精品青青久久久久久| 大香蕉久久成人网| 婷婷精品国产亚洲av| 日韩视频一区二区在线观看| 久久人妻av系列| 久久国产精品男人的天堂亚洲| 欧美日韩一级在线毛片| 久久精品91蜜桃| 大型av网站在线播放| 欧美日本视频| 色综合站精品国产| 欧美最黄视频在线播放免费| 中文字幕人妻丝袜一区二区| 午夜成年电影在线免费观看| 一级a爱片免费观看的视频| 国产熟女午夜一区二区三区| 亚洲三区欧美一区| 日本 欧美在线| 国产免费男女视频| 成人亚洲精品一区在线观看| 看片在线看免费视频| 国产精品免费一区二区三区在线| 国产av一区在线观看免费| 丁香欧美五月| 国产区一区二久久| 最好的美女福利视频网| 美女 人体艺术 gogo| 999久久久精品免费观看国产| 亚洲aⅴ乱码一区二区在线播放 | 国产又爽黄色视频| 十分钟在线观看高清视频www| 免费在线观看影片大全网站| 真人一进一出gif抽搐免费| 婷婷亚洲欧美| 亚洲欧美一区二区三区黑人| 欧美 亚洲 国产 日韩一| 亚洲无线在线观看| 精品高清国产在线一区| 国产午夜精品久久久久久| 国产av一区在线观看免费| 欧美在线黄色| 老司机午夜福利在线观看视频| www.自偷自拍.com| 国产极品粉嫩免费观看在线| 亚洲国产欧美日韩在线播放| 欧美乱妇无乱码| 亚洲欧美精品综合一区二区三区| 人成视频在线观看免费观看| 又黄又爽又免费观看的视频| 欧美在线一区亚洲| 亚洲av五月六月丁香网| 欧美在线一区亚洲| 亚洲色图av天堂| 搡老妇女老女人老熟妇| 又黄又粗又硬又大视频| 男女之事视频高清在线观看| 欧美性长视频在线观看| 日日干狠狠操夜夜爽| 人人妻人人看人人澡| 变态另类丝袜制服| 免费一级毛片在线播放高清视频| 亚洲熟妇中文字幕五十中出| 两个人看的免费小视频| 日本精品一区二区三区蜜桃| 精品国产乱子伦一区二区三区| 免费电影在线观看免费观看| 欧美大码av| 久久99热这里只有精品18| 精品日产1卡2卡| 午夜影院日韩av| 热99re8久久精品国产| 久久久久久人人人人人| 国产国语露脸激情在线看| 少妇粗大呻吟视频| 18禁黄网站禁片午夜丰满| 国产成人欧美| 精品熟女少妇八av免费久了| 精品电影一区二区在线| 亚洲一卡2卡3卡4卡5卡精品中文| 国内少妇人妻偷人精品xxx网站 | 成人手机av| 国产亚洲av高清不卡| av超薄肉色丝袜交足视频| 日本熟妇午夜| 免费人成视频x8x8入口观看| 婷婷精品国产亚洲av| 免费人成视频x8x8入口观看| 黄色成人免费大全| 十八禁人妻一区二区| 国产精品亚洲一级av第二区| 俺也久久电影网| 一级a爱视频在线免费观看| 免费人成视频x8x8入口观看| 久热爱精品视频在线9| 亚洲五月天丁香| 欧美精品亚洲一区二区| 日本 欧美在线| 国产精品一区二区精品视频观看| 久久久久国内视频| 精品国产超薄肉色丝袜足j| 青草久久国产| 欧美亚洲日本最大视频资源| 99在线视频只有这里精品首页| 身体一侧抽搐| 久9热在线精品视频| 亚洲成人久久性| 别揉我奶头~嗯~啊~动态视频| 国产一级毛片七仙女欲春2 | 日韩 欧美 亚洲 中文字幕| 精品欧美一区二区三区在线| 亚洲精品久久成人aⅴ小说| 欧美中文综合在线视频| 国产91精品成人一区二区三区| 午夜久久久久精精品| 在线永久观看黄色视频| 欧美久久黑人一区二区| 国产精品一区二区三区四区久久 | 日本 av在线| 国产久久久一区二区三区| av欧美777| 午夜成年电影在线免费观看| 久久中文看片网| 最近最新中文字幕大全电影3 | 99热这里只有精品一区 | 婷婷精品国产亚洲av| 色精品久久人妻99蜜桃| 国产亚洲精品久久久久久毛片| 一区二区三区精品91| 不卡一级毛片| 一进一出抽搐动态| 亚洲精品在线观看二区| 国产成人欧美在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 看免费av毛片| 国产精品爽爽va在线观看网站 | 国产精品一区二区三区四区久久 | 欧美激情 高清一区二区三区| 观看免费一级毛片| 亚洲熟妇熟女久久| netflix在线观看网站| 丝袜美腿诱惑在线| 欧美不卡视频在线免费观看 | 国产aⅴ精品一区二区三区波| 久久中文看片网| 黄色a级毛片大全视频| 国产精品一区二区三区四区久久 | 黄网站色视频无遮挡免费观看| 久久久久国内视频| 麻豆久久精品国产亚洲av| 一级作爱视频免费观看| 日本五十路高清| 久久精品国产99精品国产亚洲性色| 美女午夜性视频免费| www.精华液| 国产av一区二区精品久久| 国产高清videossex| 午夜免费观看网址| 日日夜夜操网爽| 久久久久久久午夜电影| 亚洲专区字幕在线| 69av精品久久久久久| 麻豆成人av在线观看| 大香蕉久久成人网| 伊人久久大香线蕉亚洲五| 夜夜夜夜夜久久久久| 亚洲自拍偷在线| 一卡2卡三卡四卡精品乱码亚洲| 少妇被粗大的猛进出69影院| 久久久久久久久免费视频了| 女生性感内裤真人,穿戴方法视频| 99国产精品99久久久久| 搡老妇女老女人老熟妇| 女同久久另类99精品国产91| 在线观看日韩欧美| 久久人人精品亚洲av| 精品久久久久久成人av| 精品乱码久久久久久99久播| 免费一级毛片在线播放高清视频| 日本免费a在线| 美女国产高潮福利片在线看| 国产精华一区二区三区| 欧美+亚洲+日韩+国产| 欧美色欧美亚洲另类二区| 日韩欧美国产一区二区入口| 精品日产1卡2卡| 欧美午夜高清在线| 国产激情偷乱视频一区二区| 最近最新中文字幕大全免费视频| 欧美绝顶高潮抽搐喷水| 免费人成视频x8x8入口观看| 手机成人av网站| 麻豆av在线久日| 久久婷婷成人综合色麻豆| 免费在线观看亚洲国产| 日韩 欧美 亚洲 中文字幕| 中文字幕最新亚洲高清| 国产精品一区二区三区四区久久 | 国产精品二区激情视频| 国产激情偷乱视频一区二区| 18禁美女被吸乳视频| 亚洲专区国产一区二区| 午夜精品在线福利| 久久久久久人人人人人| 国产v大片淫在线免费观看| 精品国产美女av久久久久小说| 50天的宝宝边吃奶边哭怎么回事| 91成年电影在线观看| www日本在线高清视频| 最近最新免费中文字幕在线| 丝袜在线中文字幕| 性欧美人与动物交配| 国产免费av片在线观看野外av| 中文字幕久久专区| 欧美激情高清一区二区三区| 一级a爱视频在线免费观看| 久9热在线精品视频| 午夜影院日韩av| 成人18禁在线播放| 国产三级黄色录像| 亚洲一区中文字幕在线| 亚洲色图 男人天堂 中文字幕| 97碰自拍视频| 国产成人啪精品午夜网站| 波多野结衣高清作品| 国产熟女xx| 国产精品 国内视频| 12—13女人毛片做爰片一| 首页视频小说图片口味搜索| 一进一出好大好爽视频| 久久 成人 亚洲| 两个人视频免费观看高清| 精品国产亚洲在线| 亚洲免费av在线视频| 国产精品久久久久久精品电影 | 大型av网站在线播放| 妹子高潮喷水视频| 成人国语在线视频| 精品乱码久久久久久99久播| 91九色精品人成在线观看| 母亲3免费完整高清在线观看| 丝袜在线中文字幕| 精品欧美一区二区三区在线| 天堂动漫精品| 老司机深夜福利视频在线观看| 俺也久久电影网| 神马国产精品三级电影在线观看 | 麻豆成人av在线观看| 国产麻豆成人av免费视频| 男人舔女人下体高潮全视频| 99精品在免费线老司机午夜| 男女之事视频高清在线观看| 999久久久精品免费观看国产| 夜夜夜夜夜久久久久| 久久天堂一区二区三区四区| 9191精品国产免费久久| 久久久久国内视频| 人人妻,人人澡人人爽秒播| svipshipincom国产片| 亚洲精品粉嫩美女一区| 老熟妇乱子伦视频在线观看| 国产真实乱freesex| 美女午夜性视频免费| 免费观看精品视频网站| 国产成人精品久久二区二区91| 身体一侧抽搐| 91麻豆av在线| 亚洲精品美女久久av网站| 色婷婷久久久亚洲欧美| 制服诱惑二区| 国产野战对白在线观看| 成人18禁在线播放| 亚洲av电影在线进入| 又紧又爽又黄一区二区| 非洲黑人性xxxx精品又粗又长| 久久99热这里只有精品18| 人人妻人人看人人澡| 麻豆av在线久日| 日本免费一区二区三区高清不卡| 亚洲国产精品久久男人天堂| 淫秽高清视频在线观看| 一边摸一边做爽爽视频免费| 免费在线观看成人毛片| 国产精品免费一区二区三区在线| 亚洲专区字幕在线| 制服诱惑二区| 在线观看一区二区三区| 欧美最黄视频在线播放免费| 亚洲黑人精品在线| 伊人久久大香线蕉亚洲五| 国产精品永久免费网站| 露出奶头的视频| 午夜激情av网站| 非洲黑人性xxxx精品又粗又长| 他把我摸到了高潮在线观看| 9191精品国产免费久久| 亚洲五月婷婷丁香| 国产在线观看jvid| 中文字幕久久专区| 夜夜爽天天搞| 波多野结衣高清无吗| 久久午夜综合久久蜜桃| 少妇裸体淫交视频免费看高清 | 亚洲欧美日韩无卡精品| 看免费av毛片| 亚洲国产欧美一区二区综合| 91字幕亚洲| 日本在线视频免费播放| 国产精品自产拍在线观看55亚洲| 欧美三级亚洲精品| 狂野欧美激情性xxxx| 啦啦啦 在线观看视频| 婷婷精品国产亚洲av| 日本撒尿小便嘘嘘汇集6| 免费在线观看完整版高清| 免费在线观看视频国产中文字幕亚洲| 麻豆成人午夜福利视频| 国产av一区二区精品久久| 欧美乱码精品一区二区三区| 香蕉国产在线看| avwww免费| 亚洲国产欧美网| 丝袜人妻中文字幕| 丁香欧美五月| 麻豆一二三区av精品| 麻豆av在线久日| 亚洲欧美日韩无卡精品| 一级毛片精品| 国产成人影院久久av| 国产精品久久久av美女十八| 国产精品野战在线观看| 日韩大码丰满熟妇| 成人三级黄色视频| 99精品在免费线老司机午夜| 视频在线观看一区二区三区| 国产亚洲精品第一综合不卡| 精品国内亚洲2022精品成人| av超薄肉色丝袜交足视频| 国产野战对白在线观看| 脱女人内裤的视频| 最近最新免费中文字幕在线| 无遮挡黄片免费观看| 窝窝影院91人妻| 99riav亚洲国产免费| 搡老岳熟女国产| 色综合婷婷激情| tocl精华| 国产精品香港三级国产av潘金莲| 精品国产国语对白av| 麻豆国产av国片精品| 国产高清激情床上av| 久久精品亚洲精品国产色婷小说| 亚洲人成电影免费在线| 香蕉av资源在线| 久久久久国产精品人妻aⅴ院| 国内精品久久久久久久电影|