[发明专利]一种基于开发者特征的群智化软件任务推荐方法

权利要求书

1.一种基于开发者特征的群智化软件任务推荐方法，其特征在于，所述方法包括如下步骤：

(1)、分析群智化软件开发者的历史数据，针对开发者所参加的历史任务进行特征提取，获取其两种特征，分别为开发者的偏好信息和竞争力信息；

(2)、对于开发者的历史任务偏好信息，将其按照时间进行划分，得到多个历史任务偏好序列，并用基于注意力机制的长短期记忆神经网络进行训练，预测出开发者的当前偏好；

(3)、将开发者的偏好与所有待推荐的任务通过距离公式进行相似性对比，筛选出前N个感兴趣的任务，其中N主要取决于所有开发者在一个月内的平均报名任务数，并通过实验以确定最佳数值；

(4)、对于开发者的历史任务竞争力信息，通过基于差分进化算法改进的XGBoost模型对开发者在一项任务上的预测评分进行训练；

(5)、针对筛选出的前N个感兴趣的任务，输入训练好的预测评分模型来得到其评分，并将预测评分最高的K个任务推荐给开发者，其中K主要取决于所有开发者在一个月内的平均任务获胜次数，并通过实验以确定最佳数值，从而完成整个推荐流程。

2.根据权利要求1所述的一种基于开发者特征的群智化软件任务推荐方法，其特征在于，所述的长短期记忆神经网络由输入层、隐藏层和输出层组成，是一种适用于处理时序数据的神经网络模型，它能够充分利用数据的顺序信息，引入记忆单元来保存历史信息、长期状态，使用门控来控制信息的流动，从而可以用来根据开发者的历史任务偏好来预测其当前偏好。

3.根据权利要求1所述的一种基于开发者特征的群智化软件任务推荐方法，其特征在于，所述的注意力机制是对LSTM的一种改进，通过对LSTM的每一个隐藏层状态计算出一个合理的权重，评估出历史任务偏好对当前偏好的影响，并通过对所有隐藏层状态进行加权组合，来生成更准确的开发者动态偏好特征，从而降低开发者偶然偏好的影响。

4.根据权利要求1所述的一种基于开发者特征的群智化软件任务推荐方法，其特征在于：所述的XGBoost模型是一种提升模型，采用二叉回归树作为基分类器，损失函数取决于开发者的历史任务评分与预测评分的差值，并在目标函数中引入了正则化项，采用加法模型(即基分类器的线性组合)与前向分布算法作为提升方法，适用于回归预测问题，能够有效预测开发者在任务上的评分。

5.根据权利要求1所述的一种基于开发者特征的群智化软件任务推荐方法，其特征在于：所述的差分进化算法是一种基于群体差异的随机搜索优化算法，通过将XGBoost模型的损失函数作为目标函数，并将XGBoost模型的参数包括基分类器个数、学习率、最大树深、最小叶子权重等编码为染色体，通过初始化种群、交叉、变异、选择等操作获得最优的个体，从而找出全局最优的XGBoost参数，以获得最佳的推荐效果。