申请/专利权人：南京大学

申请日：2020-11-25

公开（公告）日：2024-04-12

公开（公告）号：CN112417288B

主分类号：G06F16/9535

分类号：G06F16/9535;G06F11/36;G06Q10/0631

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.03.16#实质审查的生效;2021.02.26#公开

摘要：本发明公开了一种用于众包软件测试的任务跨域推荐方法，首先根据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，再根据注意力机制对被迁移特征进行整合，从而得到更接近稀疏域特征数据分布的迁移特征数据，最后得到更加准确的评分预测和任务推荐，本发明有利于提高数据稀疏及冷启动的众测平台的任务吞吐量，提升众测平台用户活跃度。

主权项：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，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，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。

全文数据：

权利要求：

百度查询： 南京大学 一种用于众包软件测试的任务跨域推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD