基于人工智能的协同办公平台质量评价方法

 　　摘要：协同办公平台打破了地域及空间限制，可降低办公成本，提高工作效率，而构建科学的质量评价模型是改进平台服务质量的基础。由于协同办公平台是集信息处理、业务流程和知识管理于一体的综合管理系统，各子系统质量评估缺乏统一的模型和方法。针对目前系统评价方法中存在的多度量指标难以量化与主观因素不确定性等问题，论文研究了系统质量度量指标量化标准，通过引入人工智能模型，利用PCA-RBF神经网络对系统质量进行全面合理的预测评估，实验结果表明，该模型能够量化分析平台的功能性、适用性和效率等构成的系统总体能力，有助于提高协同办公平台整体性能和服务效能。

　　关键词：协同办公平台;系统质量评价;人工智能;主成分分析;径向基神经网络

　　中图分类号：TP311 文献标识码：A

　　文章编号：1009-3044(2019)27-0183-04

　　《电脑与信息技术》杂志是经国家新闻出版总署正式批准，面向国内外公开发行的国家期刊，杂志集权威性、理论性与专业性于一体，具有很高的学术价值，是作者科研、晋级等方面的权威依据。

　　1 引言

　　利用網络通信设备与先进的开发工具设计协同办公平台(以下简称“平台”)有助于减少办公运营成本，提高工作效率与管理质量。对平台进行整体评估，可以确定与需求相关的质量特性是否达到应用要求。而平台通常由综合事务管理、财务管理与运行维护等多个子系统构成，系统质量是保证平台进行安全资源共享与信息交换，高效处理多系统任务的基本要素。因此，系统质量的评估对提高平台服务效率具有重要影响[1]。

　　不同系统质量模型提出了评价系统的不同指标，但仍然没有对系统整体进行评估。因此，在传统软件质量模型基础上，各种系统质量评价方法研究层出不穷[2]。文献[3]-[5]通过多层次分析，结合模糊综合评价体系等理论确定了质量模型中一级指标与二级指标间的线性关系和相关权重矩阵，从而判断系统质量。但基于层次分析的系统质量评价方法，依赖于专家的经验分析，主观因素对系统评价结果影响较大。随着人工智能的兴起，文献[6]-[8]引入BP神经网络等方法对以往的系统质量属性样本进行训练与学习，自动学习系统质量度量指标的权重矩阵，从而完成系统质量的评估预测。

　　人工智能学习模型不需要人为确定系统属性优先级别，根据已有的系统质量评价结果得到各指标重要性程度，可以科学、准确地衡量系统质量。因此本文在人工智能学习模型的基础上，研究了一种基于PCA-RBF神经网络的协同平台质量评价方法。通过将系统质量指标进行定量分析，建立关键指标参数矩阵，由主成分分析方法优化，最后利用RBF神经网络评估优化的指标参数矩阵，得到系统质量综合得分。

　　2 协同办公平台系统质量度量指标及评价方法

　　图1所示为某一农业科研单位所开发的平台，该平台采用协同工作模式，利用工作流融合综合办公系统[9]、科研管理系统、财务管理系统、综合服务系统与行政系统等多个功能模块，构建高整合度的信息知识管理体系，积极促进了高效的办事效率与科学的管理方法[10]。

　　该平台由不同子系统协同构成，系统质量是影响平台整体性能的重要因素。因此，以财务管理系统为例，结合平台应用特征与ISO/IEC 25010标准质量度量指标搭建了图2所示的财务管理系统评价模型。

　　该体系通过建立“一级指标—二级指标—度量目标”的3层质量度量模型，紧密结合了功能性、效率、可靠性、可维护性、易用性与用户体验等质量属性。根据财务管理系统特点， 本文在ISO/IEC 25010质量模型度量元的基础上考虑了客户体验对系统评估的影响，并如表1与表2所示量化度量目标，研究了适合财务管理系统的质量度量方法：

　　N：系统包含的N个需实现的功能;

　　n： 共n次测试 功能覆盖率 [N/Request] Request：需求文档要求的功能数目 功能合适性 [i=1NxiN] [xi]：代表用户对第i个功能的认可(需要修改[xi=0];否则，[xi=1]) 效率 时间特性 [i=1Nj=1n2xij(N?n2)] [xij]：规定时间内，第j次测试中第i个模块完成响应/执行，[xij=1]，否则，[xij=0] 资源利用率 [0.4×Q1+0.3×Q2+0.3×Q3] Q1：最大同时在线人数允许超过500人，Q1=1;否则Q1=0 Q2：系统所占内存容量满足内存余量要求，Q2=1;否则Q2=0 Q3：最多同时打开页面数超过 6页，Q3=1;否则Q3=0 可靠性 成熟性 Q 根据系统版本由专家确定成熟度Q 容错性 [i=1Nj=1n2xijEerror] [Eerror]：测试过程中错误操作总数;

　　[xij]：第j次错误操作后第i个模块正确运行，[xij=1]，否则，[xij=0] 易修复性 [1-U/T] [T]：检测到的系统Bug总数;

　　[U]：已修复的Bug总数 易维护性 稳定性 S 通过静态分析、白盒测试等方式测试程序源码内的模块独立性，代码注释率等度量指标，得到程序代码的综合质量评分S 易改动性 ]

　　而对于图2所示的易用性、客户体验感等主观指标，主要通过选择多个用户对度量目标进行评价，最后求取均值得到易用性和客户体验的评估分数，其度量目标及量化标准如表2所示：

　　2.1 度量指标PCA优化方法

　　根据上文所述，整个系统质量由上述多个质量度量指标综合确定，这些度量指标可以被看作是多元统计分析中的变量，每个变量都对判断结果产生影响，同时变量间相互关联，导致统计过程中的信息重叠，增加了RBF神经网络评价的难度。主成分分析(Principal Component Analysis，PCA)是一种有效的多元统计方法，它通过寻找数据集特征值的线性方式，利用正交变化将一组可能相关的变量观测值变换为一组不相关变量值，在减少数据维度的同时保留对数据方差贡献最大的特征。设原始特征矩阵如下：

　　2.2 RBF神经网络

　　人工智能方法中BP神经网络具有自学习性、自组织性与高容错性的特点，适用于解决复杂的非线性问题[11]。BP神经网络模型的应用可以最大程度避免系统质量评价中的主观因素影响。但BP神经具有收敛速度较慢，易陷入局部最优的特点。径向基函数(Radial Based Function，RBF)神经网络具有整体收敛特性，它不仅避免了传统误差反向传播算法中的复杂计算，提高了收敛速度，而且克服了BP神经网络易陷入局部最优的缺点。RBF是一种三层前馈网络，输出节点输出如式(5)所示：

　　其中，[xt]([t=1，2，…，k])表示第t个训练样本向量输入，[wi]代表从第i个隐含层节点到第j个输出节点的权重，其中m为隐含层节点数目。[?i(xt)]是徑向基函数，隐含层的径向基函数通常采用高斯函数：

　　[zi]和[ri]分别代表隐含层第j个基函数单元的中心和宽度。RBF神经网络的网络性能主要由[zi]、[ri]和[wij]所决定。

　　因此，本文的系统质量评价模型通过PCA算法选取有效度量指标，再利用RBF神经网络对优选指标进行评估，如图3所示。

　　3 实验结果及分析

　　根据上述质量度量元量化方法，采集了15组不同财务系统的质量评价样本，其中前10组作为训练样本，后5组作为验证样本，原始样本矩阵如表3所示：

　　通过主成分分析方法处理初始样本矩阵，可如表4所示的11个主成分。由表4可看出，特征值7.9515、1.0850、0.6089、0.3969和0.2538的累计贡献率已达到94%以上，接近95%。因此通过主成分分析可得到具有代表性的度量指标，本文选取了这5个特征值分别对应的主成分，代替11个指标参数表示的特征矩阵。通过将标准化的样本矩阵与这5个主成分对应的特征向量矩阵相乘，即可得到新的RBF神经网络的输入数据。

　　通过PCA对原始数据进行分析处理后，得到5个贡献率较高的主成分，利用其对RBF神经网络进行训练与验证。其中，RBF的扩展系数设为30，可得到如图4(a)所示的结果。图中，质量预测结果基本与期望输出结果一致。前10组训练数据的预测输出与期望输出相对误差接近于0，从而证明RBF神经网络的训练有效。而通过计算，后5组的验证数据预测输出与期望输出相对误差最大值为4.17%，模型识别精确度达到95%以上，证明所构建的人工智能系统质量评估模型是有效的。图4(b)所示为本文构建的PCA-RBF网络模型与传统PCA-BP网络模型的性能对比，根据设置的网络参数，由BP神经网络对提取主成分进行学习与评估，由图可明显看出模型对验证数据的预测误差更小，具有更好的质量评估结果。

　　本文系统质量评价模型对系统进行综合评价可获得相关系统的整体情况，通过构建平台内子系统的分数矩阵，将其作为输入进行上述RBF神经网络训练，即可得到平台质量评价模型。因此，基于人工智能的平台评价方法不仅有助于对构成系统相关指标进行改进，同时可提高系统及其构建平台的服务质量。

　　4 结论

　　平台集多个系统模块于一体，通过评价平台内构成子系统的质量得到平台质量水平。以财务管理系统为例，考虑客户主观体验对于系统质量的重要影响，对系统质量度量指标进行量化，建立了系统质量评价体系。同时，利用PCA算法优化指标参数矩阵，获得独立性强，信息冗余度小的新参数矩阵，将其作为RBF神经网络的输入，构建了基于人工智能的PCA-RBF网络系统有效质量评价模型。不同于传统系统质量评价方法，该模型减少了对评估人员主观判断的需要，评估过程客观、科学，对系统及协同办公质量改进具有参考意义。

　　参考文献：

　　[1] 陈竹云，叶雯.计算机信息处理技术在学校办公自动化系统中的应用[J].电脑知识与技术，2018，14(35)：76-77+82.

　　[2] Li Y X ， Man Z X . A Fuzzy Comprehensive Quality Evaluation for the Digitizing Software of Ethnic Antiquarian Resources[C]// International Conference on Computer Science & Software Engineering. IEEE， 2008.

　　[3] 王金星， 汪海涛， 姜瑛， 等. 基于三角模糊数层次分析法的软件质量评价模型研究[J].计算机与数字工程， 2017， 45(09)：1693-1697.

　　[4] 杨阳， 汪海涛， 姜瑛， 等. 基于模糊层次分析法的软件质量评价模型的研究[J]. 计算机与数字工程， 2017， 45(04)：620-623，691.

　　[5] 于海洋，王艳青.计算机软件质量模糊综合评价方法[J].电子科学技术，2016，3(6)：750-753.

　　[6] 秦晋，智荣腾. BP神经网络在软件质量评价中的应用研究[J].软件导刊，2016，15(09)：1-3.

　　[7] 郑鹏. 基于LM-BP神经网络的软件质量综合评价[J]. 山东理工大学学报(自然科学版)， 2016， 30(03)：74-78.

　　[8] 张丹， 宋晓秋. 基于遗传算法和BP人工神经网络的软件质量评价模型研究[J]. 中国新通信， 2016， 18(04)：84-87.

　　[9] 金建宏， 周捷， 许建平. 科研单位协同办公系统的设计及应用[J]. 电子技术与软件工程， 2018(21)：43-44.

　　[10] 柳青，韩抒真.基于工作流引擎的高校协同办公系统建设研究[J].电脑知识与技术，2018，14(15)：88-89.

　　[11] Cunyi X ， Tao D ， Qing S . Research on the capacity early warning of oil tanker based on PCA-BP Neural Network method[C]// International Conference on Information Management. IEEE， 2014.

《基于人工智能的协同办公平台质量评价方法》

本文由职称驿站首发，您身边的高端学术顾问

文章名称： 基于人工智能的协同办公平台质量评价方法

文章地址： https://m.zhichengyz.com/p-40560