基于人工智能的協同辦公平臺質量評價方法

李昀 吳華瑞 韓笑 楊寶祝 李慶學 顧靜秋

摘要：協同辦公平臺打破了地域及空間限制，可降低辦公成本，提高工作效率，而構建科學的質量評價模型是改進平臺服務質量的基礎。由于協同辦公平臺是集信息處理、業務流程和知識管理于一體的綜合管理系統，各子系統質量評估缺乏統一的模型和方法。針對目前系統評價方法中存在的多度量指標難以量化與主觀因素不確定性等問題，論文研究了系統質量度量指標量化標準，通過引入人工智能模型，利用PCA-RBF神經網絡對系統質量進行全面合理的預測評估，實驗結果表明，該模型能夠量化分析平臺的功能性、適用性和效率等構成的系統總體能力，有助于提高協同辦公平臺整體性能和服務效能。

關鍵詞：協同辦公平臺;系統質量評價;人工智能;主成分分析;徑向基神經網絡

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）27-0183-04

Abstract：Automated office platform breaks the geographical and spatial constraints， reducing office costs and improving work efficiency. The scientific platform quality evaluation model is the basis for improving platform technology and service quality. As the collaborative office platform is an integrated management system which integrates information processing， business process and knowledge management， the quality evaluation methods of its subsystems serve the overall quality prediction of the platform. Aiming at the problems of multi-metrics and uncertainty of subjective factors existing in current system evaluation methods， this paper studies the quantitative criteria of system quality metrics. By introducing artificial intelligence model， the improved PCA-RBF neural network model is used to predict and evaluate the system quality objectively and reasonably. The model can improve the overall performance of the collaborative office platform and provide high-quality services for units and individuals.

Key words：Cooperative Office Platform;? System Quality Assessment;? Artificial Intelligence ; PCA; RBF

1 引言

利用網絡通信設備與先進的開發工具設計協同辦公平臺（以下簡稱“平臺”）有助于減少辦公運營成本，提高工作效率與管理質量。對平臺進行整體評估，可以確定與需求相關的質量特性是否達到應用要求。而平臺通常由綜合事務管理、財務管理與運行維護等多個子系統構成，系統質量是保證平臺進行安全資源共享與信息交換，高效處理多系統任務的基本要素。因此，系統質量的評估對提高平臺服務效率具有重要影響[1]。

不同系統質量模型提出了評價系統的不同指標，但仍然沒有對系統整體進行評估。因此，在傳統軟件質量模型基礎上，各種系統質量評價方法研究層出不窮[2]。文獻[3]-[5]通過多層次分析，結合模糊綜合評價體系等理論確定了質量模型中一級指標與二級指標間的線性關系和相關權重矩陣，從而判斷系統質量。但基于層次分析的系統質量評價方法，依賴于專家的經驗分析，主觀因素對系統評價結果影響較大。隨著人工智能的興起，文獻[6]-[8]引入BP神經網絡等方法對以往的系統質量屬性樣本進行訓練與學習，自動學習系統質量度量指標的權重矩陣，從而完成系統質量的評估預測。

人工智能學習模型不需要人為確定系統屬性優先級別，根據已有的系統質量評價結果得到各指標重要性程度，可以科學、準確地衡量系統質量。因此本文在人工智能學習模型的基礎上，研究了一種基于PCA-RBF神經網絡的協同平臺質量評價方法。通過將系統質量指標進行定量分析，建立關鍵指標參數矩陣，由主成分分析方法優化，最后利用RBF神經網絡評估優化的指標參數矩陣，得到系統質量綜合得分。

2 協同辦公平臺系統質量度量指標及評價方法

圖1所示為某一農業科研單位所開發的平臺，該平臺采用協同工作模式，利用工作流融合綜合辦公系統[9]、科研管理系統、財務管理系統、綜合服務系統與行政系統等多個功能模塊，構建高整合度的信息知識管理體系，積極促進了高效的辦事效率與科學的管理方法[10]。

該平臺由不同子系統協同構成，系統質量是影響平臺整體性能的重要因素。因此，以財務管理系統為例，結合平臺應用特征與ISO/IEC 25010標準質量度量指標搭建了圖2所示的財務管理系統評價模型。

該體系通過建立“一級指標—二級指標—度量目標”的3層質量度量模型，緊密結合了功能性、效率、可靠性、可維護性、易用性與用戶體驗等質量屬性。根據財務管理系統特點， 本文在ISO/IEC 25010質量模型度量元的基礎上考慮了客戶體驗對系統評估的影響，并如表1與表2所示量化度量目標，研究了適合財務管理系統的質量度量方法：

N：系統包含的N個需實現的功能;

n： 共n次測試 功能覆蓋率 [N/Request] Request：需求文檔要求的功能數目 功能合適性 [i=1NxiN] [xi]：代表用戶對第i個功能的認可（需要修改[xi=0];否則，[xi=1]） 效率 時間特性 [i=1Nj=1n2xij（N?n2）] [xij]：規定時間內，第j次測試中第i個模塊完成響應/執行，[xij=1]，否則，[xij=0] 資源利用率 [0.4×Q1+0.3×Q2+0.3×Q3] Q1：最大同時在線人數允許超過500人，Q1=1;否則Q1=0 Q2：系統所占內存容量滿足內存余量要求，Q2=1;否則Q2=0? Q3：最多同時打開頁面數超過 6頁，Q3=1;否則Q3=0 可靠性 成熟性 Q 根據系統版本由專家確定成熟度Q 容錯性 [i=1Nj=1n2xijEerror] [Eerror]：測試過程中錯誤操作總數;

[xij]：第j次錯誤操作后第i個模塊正確運行，[xij=1]，否則，[xij=0] 易修復性 [1-U/T] [T]：檢測到的系統Bug總數;

[U]：已修復的Bug總數 易維護性 穩定性 S 通過靜態分析、白盒測試等方式測試程序源碼內的模塊獨立性，代碼注釋率等度量指標，得到程序代碼的綜合質量評分S 易改動性 ]

而對于圖2所示的易用性、客戶體驗感等主觀指標，主要通過選擇多個用戶對度量目標進行評價，最后求取均值得到易用性和客戶體驗的評估分數，其度量目標及量化標準如表2所示：

2.1 度量指標PCA優化方法

根據上文所述，整個系統質量由上述多個質量度量指標綜合確定，這些度量指標可以被看作是多元統計分析中的變量，每個變量都對判斷結果產生影響，同時變量間相互關聯，導致統計過程中的信息重疊，增加了RBF神經網絡評價的難度。主成分分析（Principal Component Analysis，PCA）是一種有效的多元統計方法，它通過尋找數據集特征值的線性方式，利用正交變化將一組可能相關的變量觀測值變換為一組不相關變量值，在減少數據維度的同時保留對數據方差貢獻最大的特征。設原始特征矩陣如下：

2.2 RBF神經網絡

人工智能方法中BP神經網絡具有自學習性、自組織性與高容錯性的特點，適用于解決復雜的非線性問題[11]。BP神經網絡模型的應用可以最大程度避免系統質量評價中的主觀因素影響。但BP神經具有收斂速度較慢，易陷入局部最優的特點。徑向基函數（Radial Based Function，RBF）神經網絡具有整體收斂特性，它不僅避免了傳統誤差反向傳播算法中的復雜計算，提高了收斂速度，而且克服了BP神經網絡易陷入局部最優的缺點。RBF是一種三層前饋網絡，輸出節點輸出如式（5）所示：

其中，[xt]（[t=1，2，…，k]）表示第t個訓練樣本向量輸入，[wi]代表從第i個隱含層節點到第j個輸出節點的權重，其中m為隱含層節點數目。[?i（xt）]是徑向基函數，隱含層的徑向基函數通常采用高斯函數：

[zi]和[ri]分別代表隱含層第j個基函數單元的中心和寬度。RBF神經網絡的網絡性能主要由[zi]、[ri]和[wij]所決定。

因此，本文的系統質量評價模型通過PCA算法選取有效度量指標，再利用RBF神經網絡對優選指標進行評估，如圖3所示。

3 實驗結果及分析

根據上述質量度量元量化方法，采集了15組不同財務系統的質量評價樣本，其中前10組作為訓練樣本，后5組作為驗證樣本，原始樣本矩陣如表3所示：

通過主成分分析方法處理初始樣本矩陣，可如表4所示的11個主成分。由表4可看出，特征值7.9515、1.0850、0.6089、0.3969和0.2538的累計貢獻率已達到94%以上，接近95%。因此通過主成分分析可得到具有代表性的度量指標，本文選取了這5個特征值分別對應的主成分，代替11個指標參數表示的特征矩陣。通過將標準化的樣本矩陣與這5個主成分對應的特征向量矩陣相乘，即可得到新的RBF神經網絡的輸入數據。

通過PCA對原始數據進行分析處理后，得到5個貢獻率較高的主成分，利用其對RBF神經網絡進行訓練與驗證。其中，RBF的擴展系數設為30，可得到如圖4（a）所示的結果。圖中，質量預測結果基本與期望輸出結果一致。前10組訓練數據的預測輸出與期望輸出相對誤差接近于0，從而證明RBF神經網絡的訓練有效。而通過計算，后5組的驗證數據預測輸出與期望輸出相對誤差最大值為4.17%，模型識別精確度達到95%以上，證明所構建的人工智能系統質量評估模型是有效的。圖4（b）所示為本文構建的PCA-RBF網絡模型與傳統PCA-BP網絡模型的性能對比，根據設置的網絡參數，由BP神經網絡對提取主成分進行學習與評估，由圖可明顯看出模型對驗證數據的預測誤差更小，具有更好的質量評估結果。

本文系統質量評價模型對系統進行綜合評價可獲得相關系統的整體情況，通過構建平臺內子系統的分數矩陣，將其作為輸入進行上述RBF神經網絡訓練，即可得到平臺質量評價模型。因此，基于人工智能的平臺評價方法不僅有助于對構成系統相關指標進行改進，同時可提高系統及其構建平臺的服務質量。

4 結論

平臺集多個系統模塊于一體，通過評價平臺內構成子系統的質量得到平臺質量水平。以財務管理系統為例，考慮客戶主觀體驗對于系統質量的重要影響，對系統質量度量指標進行量化，建立了系統質量評價體系。同時，利用PCA算法優化指標參數矩陣，獲得獨立性強，信息冗余度小的新參數矩陣，將其作為RBF神經網絡的輸入，構建了基于人工智能的PCA-RBF網絡系統有效質量評價模型。不同于傳統系統質量評價方法，該模型減少了對評估人員主觀判斷的需要，評估過程客觀、科學，對系統及協同辦公質量改進具有參考意義。

參考文獻：

[1] 陳竹云，葉雯.計算機信息處理技術在學校辦公自動化系統中的應用[J].電腦知識與技術，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， 汪海濤， 姜瑛， 等. 基于三角模糊數層次分析法的軟件質量評價模型研究[J].計算機與數字工程， 2017， 45（09）：1693-1697.

[4] 楊陽， 汪海濤， 姜瑛， 等. 基于模糊層次分析法的軟件質量評價模型的研究[J]. 計算機與數字工程， 2017， 45（04）：620-623，691.

[5] 于海洋，王艷青.計算機軟件質量模糊綜合評價方法[J].電子科學技術，2016，3（6）：750-753.

[6] 秦晉，智榮騰. BP神經網絡在軟件質量評價中的應用研究[J].軟件導刊，2016，15（09）：1-3.

[7] 鄭鵬. 基于LM-BP神經網絡的軟件質量綜合評價[J]. 山東理工大學學報（自然科學版）， 2016， 30（03）：74-78.

[8] 張丹， 宋曉秋. 基于遺傳算法和BP人工神經網絡的軟件質量評價模型研究[J]. 中國新通信， 2016， 18（04）：84-87.

[9] 金建宏， 周捷， 許建平. 科研單位協同辦公系統的設計及應用[J]. 電子技術與軟件工程， 2018（21）：43-44.

[10] 柳青，韓抒真.基于工作流引擎的高校協同辦公系統建設研究[J].電腦知識與技術，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.

【通聯編輯：李雅琪】