软件学报

作者：于旭，何亚东，杜军威，王昭哲，江峰，巩敦卫

单位：于旭，青岛科技大学 信息科学技术学院, 山东 青岛 26606111,何亚东，青岛科技大学 信息科学技术学院, 山东 青岛 26606102,杜军威，青岛科技大学 信息科学技术学院, 山东 青岛 26606103,王昭哲，青岛科技大学 信息科学技术学院, 山东 青岛 26606104,江峰，青岛科技大学 信息科学技术学院, 山东 青岛 26606105,巩敦卫，青岛科技大学 信息科学技术学院, 山东 青岛 266061;中国矿业大学 信息与电气工程学院, 江苏 徐州 22111606

关键词：软件众包开发;开发者推荐;混合推荐算法;冷启动难题;多层感知器融合模型;因子分解机

基金：国家自然科学基金(6217072142, 61773384, 61973180); 山东省自然科学基金(ZR2021MF092, ZR2019MF014, ZR2018MF007, ZR2019MF033); 山东省重点研发项目(2018GGX101052).

现有开发者推荐算法通过对任务和开发者的显式信息进行挖掘, 抽取任务和开发者的显式特征, 完成针对任务的开发者推荐. 然而, 由于显式信息中的描述信息是主观的, 往往是不精确的, 现有基于显式特征的开发者推荐算法性能不够理想. 众包软件开发平台除包含大量不精确的描述信息外, 还包含客观的、较准确的“任务—开发者”成绩信息, 可以有效地推断任务和开发者的隐式特征. 考虑到隐式特征作为显式特征的补充, 将有效缓解描述信息不精确的难题, 提出一种结合显式特征和隐式特征的开发者混合推荐算法. 首先, 利用任务和开发者的平台可见信息充分提取显式特征, 提出面向显式特征的因子分解机(FM)推荐模型建模任务、开发者显式特征和相应评分的映射关系. 然后, 利用“任务—开发者”成绩矩阵提取隐式特征, 提出面向隐式特征的矩阵分解(MF)推荐模型. 最后, 融合面向显式特征的FM推荐模型和面向隐式特征的MF推荐模型, 提出多层感知器融合算法. 进一步, 针对冷启动问题, 首先, 基于历史数据, 构建多层感知器模型建模显式特征到隐式特征的映射关系. 然后, 针对冷启动任务或冷启动开发者, 通过任务或开发者的显式特征求解相应的隐式特征. 最后, 基于已训练好的多层感知器融合算法预测评分. 在Topcoder软件众包平台的仿真实验表明本文算法相对于对比算法在4种不同测试指标上具有明显的优势.

来源：2022年第5期

《软件学报》期刊编辑部

查看软件学报杂志2022年第5期