Page 15 - 《软件学报》2026年第4期

1456 软件学报 2026 年第 37 卷第 4 期

( (l) )
H (l+1) = ReLU ˜ AH W (l) (6)
其中, ˜ A = D −1/2 AD −1/2 为归一化的邻接矩阵, A 为共现矩阵 U T 单位化得到的邻接矩阵, D 为度矩阵.

跨领域模式共现相似度 域间联合适应性分数
··· Transformer 块 ··· E S 1 ···
目标领域样本 目标领域词嵌入矩阵集合 2
多 前 平均 E S ···
WQ ···
··· WK 头 目 归 一 馈 神 归 一 ··· 聚合 k
N× E S ···
··· WV 注 意 化 层 经 网 化 层 ···
··· 力 络 ··· 多源领域句特征集合
··· ···
BERT 层 特征 J S 1 ···
多源领域样本集合 多源领域词嵌入矩阵集合 提取
输入 J S 2 ···
··· 领域互补性分析
k
J S ··· 特征重合性分数
···
Z T
多源领域词特征集合
目标领域共现图嵌入
目标领域词 目标领域词
共现矩阵 共现图 1
构 输 输 Z S ··· |J S ∩J S | j
i
建 入 出 Z S 2 ··· Score same = i j
··· |J S ∪J S |
k
Z S ···
j
×
i
||Z S || ||Z S ||
多源领域词 多源领域词 图神经网络 多源领域共现图嵌入 Score diff = E S ·E S +||E S || ||E S ||
i
j
j
i
×
共现矩阵 共现图
跨领域模式共 A(D S , D T )= Z S ·Z T i j
现相似度计算 ||Z S || ||Z T || C(D S , D S )= θ 1 ·Score same −θ 2 ·Score diff
×
k
域间高质量样本 α k i 2·β ·∑ ∑ k C(D S , D S ) j
i
选择指标计算 Q inter = ·∑ A(D S , D T )+ k −k
2
k i=1 i=1 j=i+1
域间高质量样本选择指标
图 3 领域间高质量样本选择流程图

经过最后的图卷积层处理得到的节点嵌入表示 H (last) , 由池化层进行处理, 得到目标领域的领域共现图的整体
嵌入表示:

1 ∑
Z T = H (last) (7)
|V T | i
i∈V T
同理可得到源领域的领域共现图的整体嵌入表示 Z S .
Z T 之间的余弦相似度作为两领
• 模式共现相似度计算: 计算源领域与目标领域的领域共现图嵌入表示 Z S 和
域间的跨领域模式共现相似度:

Z S ·Z T
A(D S ,D T ) = (8)
||Z S ||×||Z T ||
(2) 域间联合适应性分数
为了衡量多领域之间的领域互补性及领域特征重合性, 提出了一种域间联合适应性分数. 具体来说, 对于源领
{ } N i { } N S j
i j Text i = X k S Text j = X k X 代表句子样本. 对两个源领域样本集
域 D 及 D 的句子样本集合, 分别记为 i k=1 和 j k=1 , 其中
S
S
合进行以下操作.
• 特征提取: 将每条句子文本进行分词操作得到词汇列表, 并对词汇进行停用词去除预处理操作. 通过 BERT
预训练模型将词汇转化为高维向量表示, 以捕捉词汇间的语义关系. 对每条句子的词向量矩阵采用平均聚合方式
得到该条句子的句特征向量, 将两个领域内所有句子的句特征向量采用平均聚合方式分别得到两个领域的特征向
i j
量表示 E 和 E .
S
S
• 领域互补性分数计算: 根据以下公式计算两个源领域的领域互补性分数:

i j
E ×E
S
S
Score diff = (9)
i j i j
E · E + E ×E
S S S S