[发明专利]一种用于众包软件测试的任务跨域推荐方法

权利要求书

1.一种用于众包软件测试的任务跨域推荐方法，其特征在于，包括以下步骤：

S10数据采集：获取众测任务领域中不同用户在不同平台上对相同项目的评分，得到共现矩阵，同时获取项目类别信息；

S20特征提取阶段：通过项目类别信息计算得到用户相似度，根据共现矩阵和用户相似度进行矩阵分解，得到不同平台的增强过的密集域用户特征矩阵、稀疏域用户特征矩阵、密集域项目-特征矩阵Is和稀疏域项目-特征矩阵It；

S30特征迁移阶段：根据CORAL和MLP进行用户-特征的跨域迁移，得到两组迁移到稀疏域的用户特征，并根据注意力机制对被迁移特征进行整合，使得被迁移特征的数据分布与稀疏域特征的数据分布更加相近，增强了特征迁移的效果；

S31利用CORAL方法，将密集域的用户特征迁移至稀疏域的用户特征，使得数据分布一阶矩和二阶矩接近或近乎相等，作为特征整合的一部分，更加具体地讲：

S311先计算密集域用户特征均值Ave_s和稀疏域用户特征均值Ave_t，用密集域用户特征减去密集域用户特征均值Ave_s，得到中心化的密集域用户特征矩阵Us；用稀疏域用户特征减去稀疏域用户特征均值Ave_t，得到中心化的稀疏域用户特征矩阵Ut；

S312用中心化的密集域用户特征矩阵Us和中心化的稀疏域用户特征矩阵Ut计算得到密集域用户特征协方差矩阵cov_Us和稀疏域用户特征协方差矩阵cov_Ut；

S313通过CORAL方法的白化过程和重着色过程，使中心化的密集域用户特征的二阶矩与中心化的稀疏域用户特征相等，得到迁移过的密集域用户特征矩阵Us’；

S314对迁移过的密集域用户特征矩阵Us’加上稀疏域用户特征均值Ave_t，得到与稀疏域用户特征的一阶矩和二阶矩都相等的被迁移密集域用户特征矩阵Us”，从而完成了特征迁移；

S32利用多层感知机，建立从密集域特征到稀疏域特征的两层全连接的神经网络，将密集域的用户特征尽可能的接近稀疏域的用户特征，得到多层感知用户特征MLP_Us，作为特征整合的一部分；

S33利用注意力机制，将步骤S31得到的被迁移密集域用户特征矩阵Us”与步骤S32中得到的多层感知用户特征MLP_Us两部分特征进行整合，令模型能够注意到更适合稀疏域的特征，使该特征的权重更高，从而整合得到更好的特征迁移效果，得到整合后的从密集域迁移到稀疏域的用户-特征矩阵Atten_Us；

S40跨域推荐阶段：根据步骤S30得到的从密集域迁移到稀疏域的用户-特征矩阵Atten_Us和步骤S20得到的稀疏域的项目-特征矩阵It两个矩阵进行作用，进行评分预测，得到用户对不同项目的预测评分，并对预测评分进行排序，选取排名靠前的项目向用户进行推荐。

2.根据权利要求1所述用于众包软件测试的任务跨域推荐方法，其特征在于：步骤S20得到得到不同平台的增强过的密集域用户特征矩阵、稀疏域用户特征矩阵、密集域项目-特征矩阵Is和稀疏域项目-特征矩阵It的方法如下：

S21根据用户历史上对于不同类型项目的评分计算得到用户对于不同类型项目的偏好矩阵；

S22根据用户对于不同类型项目的偏好矩阵，利用余弦相似度的方法计算得到不同用户之间的相似度；

S23对共现矩阵和用户相似度进行矩阵分解，分解过程中，在需要最小化的损失函数中加入与用户相似度相关的损失，同矩阵分解过程一同进行最小化，得到特征增强过的密集域用户特征矩阵、稀疏域用户特征矩阵、密集域项目-特征矩阵Is和稀疏域项目-特征矩阵It。

3.根据权利要求2所述用于众包软件测试的任务跨域推荐方法，其特征在于：步骤S40中选取排名靠前的项目向用户进行推荐的方法：

S41由步骤S30得到的从密集域迁移到稀疏域的用户-特征矩阵Atten_Us和步骤S20得到的稀疏域的项目-特征矩阵It进行作用，得到跨域用户-项目共现矩阵Atten_Us·ItT；

S42由跨域用户-项目共现矩阵Atten_Us·ItT得到用户对不同项目的评分，根据该评分进行排序，选择其中用户未进行过评分且排名靠前的数项项目，向用户进行推荐。

4.根据权利要求3所述用于众包软件测试的任务跨域推荐方法，其特征在于：步骤S22中不同用户之间的相似度计算方法：对于用户a和用户b，用户a项目偏好向量为Va，用户b的项目偏好向量为Vb，则用户a和用户b之间的相似度为(Va·Vb)/(||Va||·||Vb||)。