[發明專利]一種針對冷啟動任務的開發者推薦方法

有效

• 申請號: 202010538552.3
• 申請日: 2020-06-13
• 公開（公告）號: CN112529350B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 于旭;杜軍威;梁宏濤;呂宏武;郭藍天;田甜;于淼;徐凌偉
• 申請（專利權）人: 青島科技大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/10;G06N3/04;G06N3/08
• 代理公司: 青島聯智專利商標事務所有限公司 37101
• 代理人: 王笑

本發明公開了一種冷啟動任務的開發者推薦方法，通過以下步驟實現：在訓練集上利用FM算法融合已有任務和已有開發者的顯式特征、ID特征和相應評分信息，建立基于FM的融合模型；基于訓練得到的已完成任務的隱式特征，利用深度回歸模型建模顯式特征到隱式特征的映射關系；基于映射關系，根據冷啟動任務的顯式特征計算冷啟動任務的隱式特征；根據冷啟動任務的顯式特征和計算所得冷啟動任務的隱式特征，利用FM融合模型進行評分預測。該推薦方法面向冷啟動場景，綜合考慮任務的顯式特征和ID特征，并通過構建顯示特征到隱式特征的映射關系解決FM模型中冷啟動任務隱式特征缺失的問題，有效解決了冷啟動問題。

技術領域

本發明屬于人工智能領域，具體地說，是涉及一種針對冷啟動任務的開發者推薦方法。

背景技術

眾包軟件工程通常涉及三種不同類型的參與者：雇主(Requesters)，他們有需要完成的軟件開發工作；工人(Workers)，他們參與開發軟件；還有平臺(Platforms)，這提供了一個在線市場。

近些年各個眾包軟件平臺發展迅速，發布任務數目與已注冊開發者數目急劇增長。因此，眾包軟件平臺上的“信息過載”問題日趨嚴重，這使得任務方和開發者均面臨著嚴重的選擇困難。在此背景下，面向眾包軟件開發平臺的開發者推薦具有重要的研究和應用價值，近些年引起了部分研究者的關注。

然而，現有開發者推薦算法針對冷啟動任務(新的發布任務)的推薦性能不理想。

發明內容

本發明的目的在于提供一種針對冷啟動任務的開發者推薦方法，該方法不僅可以利用任務和開發者的顯式特征，還可以考慮與評分(任務對開發者的評價結果)密切相關的任務和開發者的ID特征，能夠有效解決現有冷啟動任務上開發者推薦性能不佳的技術問題。

本發明采用如下技術方案實現：

提出一種針對冷啟動任務的開發者推薦方法，通過以下步驟實現：步驟1、利用FM算法融合已有任務和已有開發者的顯式特征、ID特征和相應評分信息，建立基于FM的融合模型；步驟2、基于訓練得到的已完成任務的隱式特征，利用深度回歸模型建模顯式特征到隱式特征的映射關系；步驟3、基于所述映射關系，根據冷啟動任務的顯式特征計算冷啟動任務的隱式特征；步驟4、根據所述冷啟動任務的顯式特征和計算所得所述冷啟動任務的隱式特征，利用所述FM融合模型進行評分預測；其中，隱式特征是指：任務ID的one-hot表示中數值為1的那一維特征在所述融合模型中所對應的隱因子向量。

進一步的，所述步驟1中的FM的融合模型，采用二階FM模型進行異構信息的融合；其中，已有任務和已有開發者的顯式特征和ID特征作為回歸問題的輸入特征，評分信息作為回歸變量，針對開發者推薦場景，其表達式如下：

其中，模型參數w₀，w_i和w_ij分別表示全局偏置，特征i對應的權重和特征i與特征j交互項的權重，n和m分別表示已有的任務和開發者數目，n₁和m₁分別表示已有的任務和開發者的顯式特征維數；交互項權重w_ij表示為：v_i和v_j分別表示特征x_i和x_j對應的隱因子向量。

進一步的，所述步驟1中，為訓練基于FM的融合模型，基于平方和誤差定義損失函數，并求解如下優化問題：

其中，D表示訓練集，λ_w,和λ_v分別表示三類模型參數對應的正則化系數。

進一步的，所述棧式降噪自編碼器由多個降噪自編碼器組成，設置降維后的特征維數逐步減小，以獲取低維的高層特征；一個降噪自編碼器的學習輸出用作訓練下一個降噪自編碼器的輸入。