CN111459927A - Cnn-lstm开发者项目推荐方法 - Google Patents

Cnn-lstm开发者项目推荐方法 Download PDF

Info

Publication number
CN111459927A
CN111459927A CN202010229547.4A CN202010229547A CN111459927A CN 111459927 A CN111459927 A CN 111459927A CN 202010229547 A CN202010229547 A CN 202010229547A CN 111459927 A CN111459927 A CN 111459927A
Authority
CN
China
Prior art keywords
project
developer
agile
stm
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010229547.4A
Other languages
English (en)
Other versions
CN111459927B (zh
Inventor
廖志芳
杨洪瑜
樊晓平
宋天慧
龙军
郁松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202010229547.4A priority Critical patent/CN111459927B/zh
Publication of CN111459927A publication Critical patent/CN111459927A/zh
Application granted granted Critical
Publication of CN111459927B publication Critical patent/CN111459927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种CNN‑LSTM开发者项目推荐方法，包括：步骤1，收集敏捷开发者项目数据，进行敏捷开发者项目数据清洗与筛选，将敏捷开发者项目数据按照时间序列进行排序得到的开发者项目集作为整个模型的输入；步骤2，将获取的敏捷开发者项目数据通过Word2Vec模型确定敏捷开发者项目数据在项目空间中的位置，并将敏捷开发者项目数据转换为向量的形式，从而将输入的开发者项目集转换为开发者项目集矩阵的形式。本发明可以为敏捷开发模式的开发者们推荐合适的项目，提高开发者的项目开发效率，进而提高敏捷开发过程中的项目迭代效率，发现项目特征能力很强，提高了开发者项目的推荐准确率，可以帮助开发者高效地发现感兴趣的相似项目。

Description

CNN-LSTM开发者项目推荐方法
技术领域
本发明涉及软件工程和数据挖掘技术领域，特别涉及一种CNN-LSTM开发者项目推荐方法。
背景技术
目前，敏捷模式已成为软件工程的主流项目开发模式，国内外各大互联网公司均采用敏捷开发模式，通过迭代的形式不断的去完善项目原型，以实现更多的项目功能，避免更大的耦合性，加快开发效率。在敏捷的每个迭代周期中，项目的Master都会把迭代的任务划分为任务列表，在项目的迭代启动会中进行任务评估，项目的开发团队人员则根据自身情况，选择合适的任务进行开发工作。但是，由于很多开发者们都可能会同时参与几个项目的迭代，而且在开发过程中因为沟通不及时导致可能多个开发者做了同一个任务，导致迭代的效率降低，影响开发进度，因此如何为开发者们推荐项目成为了近几年研究的热点问题。
目前，为开发者推荐的方法多是采用项目相似度分析的方法，根据开发者历史项目的特征计算与新的项目的相似度为开发者推荐top-k个项目，现有的推荐模型多是从项目文本出发，忽略了开发者基于时间的项目特征。另外，深度学习方法在推荐算法中应用广泛，通过RBM、RNN、CNN等深度学习模型应用到推荐系统中并取得了较好推荐效果，但是现在深度学习方法在项目推荐中应用却相对较少。除此之外，现阶段的项目推荐方法普遍单一且没有考虑项目上下文关系，而且在将项目转化为向量的过程中少有考虑项目之间的关系。目前，为开发者推荐项目已成为软件工程的研究热点，针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
本发明提供了一种CNN-LSTM开发者项目推荐方法，其目的是为了解决存在于敏捷开发的迭代过程中开发者选择任务效率低下和开发者的项目推荐效率不高的问题。
为了达到上述目的，本发明的实施例提供了一种CNN-LSTM开发者项目推荐方法，包括：
步骤1，收集敏捷开发者项目数据，进行敏捷开发者项目数据清洗与筛选，将敏捷开发者项目数据按照时间序列进行排序得到的开发者项目集作为整个模型的输入；
步骤2，将获取的敏捷开发者项目数据通过Word2Vec模型确定敏捷开发者项目数据在项目空间中的位置，并将敏捷开发者项目数据转换为向量的形式，从而将输入的开发者项目集转换为开发者项目集矩阵的形式；
步骤3，将得到的开发者项目集矩阵输入CNN模型，通过卷积核卷积、池化操作得到敏捷开发者项目集空间特征矩阵；
步骤4，将得到的敏捷开发者项目集空间特征矩阵作为LSTM模型的输入，通过LSTM模型获取基于上下文的开发者项目特征；
步骤5，通过softmax函数将得到的开发者项目特征与开发者项目集进行比较，根据预测结果给开发者推荐top-k个项目，根据推荐准确率调整模型参数，不断优化模型直至推荐效果最佳。
其中，所述步骤1具体包括：
从某一个敏捷开发平台收集敏捷开发者项目数据，数据进行清洗、筛选后对敏捷开发者项目数据按照时间序列进行整理，筛选出敏捷开发者项目数据的项目数量超过200的开发者，选取开发者们最近的100个项目作为开发者项目集。
其中，所述步骤2具体包括：
通过选取基于Skip-Gram的Word2Vec模型，将得到的基于时间序列的敏捷开发者项目数据转化成基于历史访问特征的向量数据。
其中，所述步骤3具体包括：
将得到的向量数据输入CNN模型之中，通过卷积和最大池化方法获得开发者项目集空间特征作为初级特征。
其中，所述步骤4具体包括：
将得到的敏捷开发者项目集空间特征矩阵输入到LSTM模型之中，通过输入门、遗忘门和输出门的计算后得到开发者项目特征。
其中，所述步骤5具体包括：
将得到的开发者项目特征矩阵通过softmax方法，计算项目库的项目得分为开发者推荐合适的项目列表，通过推荐结果分析，不断调整模型参数、优化模型直至推荐效果最佳。
本发明的上述方案有如下的有益效果：
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，可以为实际的敏捷开发者们在迭代过程中推荐合适的项目，通过特征提取与分析，为迭代中的开发者推荐项目列表中适合自己的项目，为Master提供了项目任务列表的分配参考，提升了开发者的开发效率，加快了迭代的进程，保障了项目通过敏捷模式顺利地进行。
附图说明
图1为本发明的基于Word2Vec的CNN-LSTM开发者项目推荐模型图；
图2为本发明的基于Skip-Gram的Word2Vec模型图；
图3为本发明的CNN-LSTM的项目预测模型图；
图4为本发明的LSTM模型神经元结构图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的存在于敏捷开发的迭代过程中开发者选择任务效率低下和开发者的项目推荐效率不高的问题，提供了一种CNN-LSTM开发者项目推荐方法。
如图1至图4所示，本发明的实施例提供了一种CNN-LSTM开发者项目推荐方法，包括：步骤1，收集敏捷开发者项目数据，进行敏捷开发者项目数据清洗与筛选，将敏捷开发者项目数据按照时间序列进行排序得到的开发者项目集作为整个模型的输入；步骤2，将获取的敏捷开发者项目数据通过Word2Vec模型确定敏捷开发者项目数据在项目空间中的位置，并将敏捷开发者项目数据转换为向量的形式，从而将输入的开发者项目集转换为开发者项目集矩阵的形式；步骤3，将得到的开发者项目集矩阵输入CNN模型，通过卷积核卷积、池化操作得到敏捷开发者项目集空间特征矩阵；步骤4，将得到的敏捷开发者项目集空间特征矩阵作为LSTM模型的输入，通过LSTM模型获取基于上下文的开发者项目特征；步骤5，通过softmax函数将得到的开发者项目特征与项目库进行比较，根据预测结果给开发者推荐top-k个项目，根据推荐准确率调整模型参数，不断优化模型直至推荐效果最佳。
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，首先通过Word2Vec模型将敏捷开发者项目数据转化为基于项目序列上下文的向量形式，再通过CNN-LSTM模型获取开发者们基于上下文的开发者项目特征，从而对开发者们可能关注的陌生项目进行预测，将获得的项目预测列表推荐给合适的开发者，提高开发者查找项目的效率。
其中，所述步骤1具体包括：从某一个敏捷开发平台收集敏捷开发者项目数据，数据进行清洗、筛选后对敏捷开发者项目数据按照时间序列进行整理，筛选出敏捷开发者项目数据的项目数量超过200的开发者，选取开发者们最近的100个项目作为开发者项目集。
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，通过爬虫获取某平台上敏捷开发者项目数据或下载现有开发者-项目的数据集，对数据进行筛选清洗，将敏捷开发者项目数据基于时间序列进行排序得到最终的开发者项目集，将从某敏捷开发平台中收集敏捷开发者项目数据，LSTM模型要求序列的长短一致，故需要从众多敏捷开发者中筛选出完成任务量大于200个的开发者，并且选取他们最近参与的100个项目任务数据，分成测试集和训练集。
其中，所述步骤2具体包括：通过选取基于Skip-Gram的Word2Vec模型，将得到的基于时间序列的敏捷开发者项目数据转化成基于历史访问特征的向量数据。
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，将获取的敏捷开发者项目数据基于项目的时间和上下文序列通过Word2Vec模型将敏捷开发者项目数据转化为向量形式以作为后续提取项目特征模型的输入，由于敏捷开发者在每个迭代周期内会多个项目的任务进行贡献，开发者访问的任务序列会有一定的上下文关系，因此项目任务之间也会像词一样具备相似关系，故所述CNN-LSTM开发者项目推荐方法采用Word2Vec模型挖掘敏捷开发者项目数据在上下文中的关系，在将敏捷开发者项目数据转换为项目空间中的向量的同时也保留了敏捷开发者项目数据间的相关关系，由于敏捷开发的迭代过程中开发者和敏捷开发者项目数据的项目数量较多，而基于Skip-Gram的Word2Vec模型更适合处理大型的数据集，其跳跃选择序列的机制也使得模型不受窗口大小限制，为了解决了开发者访问序列较长的问题，采用基于Skip-Gram的Word2Vec模型对项目向量模型进行训练，Skip-Gram模型的训练算法如图2所示，基于Skip-Gram的Word2Vec模型的基本原理就是给定一个项目后，预测在它左右两边可能会出现什么项目，对于每个项目t存在前后两个大小为w的窗口样本Prot-w,...,Prot-1和Prot+1,...,Prot+w，这两个窗口构成了项目t的上下文环境Content(t)，因此项目t出现在上下文的项目集合Content(t)的概率可用如公式(1)表示。因为Word2Vec模型基于词袋模型设计，故项目t出现上下文项目集合Content(t)的概率可用公式(2)计算。
P(Content (t)|Prot)＝P(Prot-w,...,Prot-1,Prot+1,...,Prot+w|Prot) (1)
Figure BDA0002428841490000051
其中，ui表示在开发者项目集中的第i个项目，p(ui|Prot)表示项目ui出现在项目t的上下文中的概率。Word2Vec模型训练时先基于词袋模型为项目设置初始向量值，然后以项目访问序列构建(Prot,Content(t))训练样本，将样本依次输入到映射层中的神经网络中，通过神经网络中每个神经元的计算获得了一个构成项目表示的向量矩阵，其中第i个项目的项目向量Vi可以用公式(3)进行表示，m为向量的维度数目。
Vi＝[v1,v2,...,vm] (3)
通过对比项目向量Vi与项目初始向量的差距和模型损失值，不断调整项目的向量完成训练并输出概率p(ui|Prot)，通过训练模型过程中获得的项目向量即可将项目转换为其在项目空间中对应的向量形式，最终表示为开发者项目的矩阵表示，这样的项目矩阵表示形式不仅可以作为深度学习特征模型的输入，还可以准确表现出开发者选择项目时受其历史访问项目的序列的影响，另外，通过项目向量表示可以采用余弦相似度算法计算出项目间的相似度。
其中，所述步骤3具体包括：将得到的向量数据输入CNN模型之中，通过卷积和最大池化方法获得开发者项目集空间特征作为初级特征。
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，开发者项目空间特征提取的CNN模型如图3所示，敏捷开发者项目表示矩阵输入项目预测模型后，在卷积层先通过卷积操作提取项目的空间特征信息，由于不同尺寸的卷积核得到的特征图的尺寸是不一样的，要完成各个卷积项目特征图的级联最常用的方法就是对卷积得到的特征图进行池化，并且提取出特征图的局部池化最大值，这样将每一个卷积核得到的特征对应为一个值，最后在级联起来，得到最终的开发者项目集空间特征。步骤如下：在卷积层中，我们使用不同尺寸的卷积核来获取开发者项目集空间特征，即初级特征，每个卷积核包含不同权重矩阵Wm∈Rl×d，l是窗口大小，这意味着卷积核对l个项目进行操作，d是项目向量的维度，例如，通过对l个项目Vi:i+l-1操作的卷积核生成的特征值v′i，可以用公式(4)计算如下：
v′i＝σ(Wm·vi:i+1-1+b) (4)
其中，σ为激活函数，b为偏置，当对开发者项目集矩阵进行完卷积操作后，如公式5表示出经过对开发者项目{V1:l,V2,l+1,...,Vn-l+1：n}卷积操作生成的特征图v′：
v′＝[v′1,v′2,...v′n-l+1] (5)
卷积层之后是一个池化层，目的是对卷积得到的敏捷开发者项目集空间特征矩阵进行降维，为了缓解神经网络训练过程中的过拟合问题，基于敏捷开发中项目任务的自身属性，使用最大池化方法对得到的敏捷开发者项目集空间特征矩阵进行池化操作，另外，池化层的另一个目的将大小不同的卷积特征图通过不同方式的池化降维，转化为长宽相同的特征图，然后从深度进行特征图的连接，将连接后的级联特征图X作为LSTM模型的待输入特征。
其中，所述步骤4具体包括：将得到的敏捷开发者项目集空间特征矩阵输入到LSTM模型之中，通过输入门、遗忘门和输出门的计算后得到开发者项目特征。
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，由于卷积池化操作是从空间上提取项目信息(从序列的上下文结构上提取项目特征)，没考虑文本时间上的语义信息(项目出现的位置和项目意义的传递性)。所述CNN-LSTM开发者项目推荐方法将通过LSTM模型对卷积池化后的特征进行进一步分析，提取基于上下文联系的文本高级语义，所述CNN-LSTM开发者项目推荐方法将连接后的特征图作为一个矩阵X划分为若干向量xt，向量长度即为特征图的维度，用敏捷开发者项目集空间特征矩阵作为LSTM模型的输入。LSTM模型神经元如图4所示，步骤如下：LSTM模型每个时刻t的神经元都会通过输入门输入上一个神经元的输出向量ht-1和特征图中t时刻对应的向量xt，如公式6和公式7进行处理得到it和
Figure BDA0002428841490000073
it代表LSTM模型神经元的输入，
Figure BDA0002428841490000074
代表LSTM模型神经元输入权重；
it＝σ(Wi·[ht-1,xt]+bi) (6)
Figure BDA0002428841490000071
然后通过遗忘门对输入门得到的向量信息进行处理，如公式8得到向量ft，同时根据得到的遗忘信息对神经元信息进行更新，如公式9得到代表本神经元的特征向量Ct；
ft＝σ(Wf·[ht-1,xt]+bf) (8)
Figure BDA0002428841490000072
最后，如公式10和公式11所示，输出门将该神经元处理得到的特征向量ht传入下一个神经元中，同时传入开发者项目特征矩阵中。
ot＝σ(Wo·[ht-1,xt]+bo) (10)
ht＝ot·tanh(Ct) (11)
将每个神经元输出作为开发者项目的高级语义词向量特征作为分类器的输入，通过所述步骤5的softmax方法预测下一个可能访问的项目，最终为开发者推荐预测项目列表的top-k个项目。
其中，所述步骤5具体包括：将得到的开发者项目特征矩阵通过softmax方法，计算项目库的项目得分为开发者推荐合适的项目列表，通过推荐结果分析，不断调整模型参数、优化模型直至推荐效果最佳。
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，在训练阶段，采取Logistic回归的对数似然损失函数，衡量预测项目和真实项目的差距，通过反向传播算法更新神经网络参数值，完成网络的训练，训练公式如公式12所示，其中，Y为预测值，X为真实值，Logistic回归的对数似然损失函数可反映预测结果的损失率，损失率越小越好。
L(Y,P(Y|X))＝-logP(Y|X) (12)
本发明的上述实施例所述的CNN-LSTM开发者项目推荐方法，可以为实际的敏捷开发者们在迭代过程中推荐合适的项目，通过特征提取与分析，为迭代中的开发者推荐项目列表中适合自己的项目，为Master提供了项目任务列表的分配参考，提升了开发者的开发效率，加快了迭代的进程，保障了项目通过敏捷模式顺利地进行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种CNN-LSTM开发者项目推荐方法，其特征在于，包括：
步骤1，收集敏捷开发者项目数据，进行敏捷开发者项目数据清洗与筛选，将敏捷开发者项目数据按照时间序列进行排序得到的开发者项目集作为整个模型的输入；
步骤2，将获取的敏捷开发者项目数据通过Word2Vec模型确定敏捷开发者项目数据在项目空间中的位置，并将敏捷开发者项目数据转换为向量的形式，从而将输入的开发者项目集转换为开发者项目集矩阵的形式；
步骤3，将得到的开发者项目集矩阵输入CNN模型，通过卷积核卷积、池化操作得到敏捷开发者项目集空间特征矩阵；
步骤4，将得到的敏捷开发者项目集空间特征矩阵作为LSTM模型的输入，通过LSTM模型获取基于上下文的开发者项目特征；
步骤5，通过softmax函数将得到的开发者项目特征与开发者项目集进行比较，根据预测结果给开发者推荐top-k个项目，根据推荐准确率调整模型参数，不断优化模型直至推荐效果最佳。
2.根据权利要求1所述的CNN-LSTM开发者项目推荐系统方法，其特征在于，所述步骤1具体包括：
从某一个敏捷开发平台收集敏捷开发者项目数据，数据进行清洗、筛选后对敏捷开发者项目数据按照时间序列进行整理，筛选出敏捷开发者项目数据的项目数量超过200的开发者，选取开发者们最近的100个项目作为开发者项目集。
3.根据权利要求2所述的CNN-LSTM开发者项目推荐方法，其特征在于，所述步骤2具体包括：
通过选取基于Skip-Gram的Word2Vec模型，将得到的基于时间序列的敏捷开发者项目数据转化成基于历史访问特征的向量数据。
4.根据权利要求3所述的CNN-LSTM开发者项目推荐方法，其特征在于，所述步骤3具体包括：
将得到的向量数据输入CNN模型之中，通过卷积和最大池化方法获得开发者项目集空间特征作为初级特征。
5.根据权利要求4所述的CNN-LSTM开发者项目推荐方法，其特征在于，所述步骤4具体包括：
将得到的敏捷开发者项目集空间特征矩阵输入到LSTM模型之中，通过输入门、遗忘门和输出门的计算后得到开发者项目特征。
6.根据权利要求5所述的CNN-LSTM开发者项目推荐方法，其特征在于，所述步骤5具体包括：
将得到的开发者项目特征矩阵通过softmax方法，计算项目库的项目得分为开发者推荐合适的项目列表，通过推荐结果分析，不断调整模型参数、优化模型直至推荐效果最佳。
CN202010229547.4A 2020-03-27 2020-03-27 Cnn-lstm开发者项目推荐方法 Active CN111459927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010229547.4A CN111459927B (zh) 2020-03-27 2020-03-27 Cnn-lstm开发者项目推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010229547.4A CN111459927B (zh) 2020-03-27 2020-03-27 Cnn-lstm开发者项目推荐方法

Publications (2)

Publication Number Publication Date
CN111459927A true CN111459927A (zh) 2020-07-28
CN111459927B CN111459927B (zh) 2022-07-08

Family

ID=71680101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010229547.4A Active CN111459927B (zh) 2020-03-27 2020-03-27 Cnn-lstm开发者项目推荐方法

Country Status (1)

Country Link
CN (1) CN111459927B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760058A (zh) * 2012-04-05 2012-10-31 中国人民解放军国防科学技术大学 面向大规模协作开发的海量软件项目共享方法
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations
CN109032591A (zh) * 2018-06-21 2018-12-18 北京航空航天大学 一种基于神经网络的众包软件开发者推荐方法
CN109840279A (zh) * 2019-01-10 2019-06-04 山东亿云信息技术有限公司 基于卷积循环神经网络的文本分类方法
CN110222163A (zh) * 2019-06-10 2019-09-10 福州大学 一种融合cnn与双向lstm的智能问答方法及系统
US20190324744A1 (en) * 2019-06-28 2019-10-24 Intel Corporation Methods, systems, articles of manufacture, and apparatus for a context and complexity-aware recommendation system for improved software development efficiency
US20190391792A1 (en) * 2018-06-25 2019-12-26 Hcl Technologies Limited Code reusability

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760058A (zh) * 2012-04-05 2012-10-31 中国人民解放军国防科学技术大学 面向大规模协作开发的海量软件项目共享方法
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations
CN109032591A (zh) * 2018-06-21 2018-12-18 北京航空航天大学 一种基于神经网络的众包软件开发者推荐方法
US20190391792A1 (en) * 2018-06-25 2019-12-26 Hcl Technologies Limited Code reusability
CN109840279A (zh) * 2019-01-10 2019-06-04 山东亿云信息技术有限公司 基于卷积循环神经网络的文本分类方法
CN110222163A (zh) * 2019-06-10 2019-09-10 福州大学 一种融合cnn与双向lstm的智能问答方法及系统
US20190324744A1 (en) * 2019-06-28 2019-10-24 Intel Corporation Methods, systems, articles of manufacture, and apparatus for a context and complexity-aware recommendation system for improved software development efficiency

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
WENYUAN XU等: "REPERSP:Recommending Personalized Software Projects on GitHub", 《IEEE》 *
ZHIFANG LIAO等: "Exploring the Characteristics of Issue-Related Behaviors in GitHub Using", 《IEEE ACCESS》 *
李晨: "考虑工人参与意愿影响因素的众包任务推荐", 《中国优秀硕士论文全文数据库》 *
杨习辉: "一种群体软件开发中的项目推荐方法", 《小型微型计算机系统》 *
杨宇: "软件众包平台项目推荐中小众用户问题研究", 《中国优秀硕士论文全文数据库》 *
苗东方: "基于深度神经网络的创业项目推荐系统研究", 《中国优秀硕士论文全文数据库》 *

Also Published As

Publication number Publication date
CN111459927B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Alzubaidi et al. A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications
CN109376242B (zh) 基于循环神经网络变体和卷积神经网络的文本分类方法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN110458336B (zh) 一种基于深度学习的网约车供需预测方法
Lin et al. Parameter tuning, feature selection and weight assignment of features for case-based reasoning by artificial immune system
CN112905801B (zh) 基于事件图谱的行程预测方法、系统、设备及存储介质
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
CN111612243A (zh) 交通速度预测方法、系统及存储介质
CN110490320B (zh) 基于预测机制和遗传算法融合的深度神经网络结构优化方法
CN108536784B (zh) 评论信息情感分析方法、装置、计算机存储介质和服务器
CN110675632B (zh) 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
CN113344615B (zh) 一种基于gbdt和dl融合模型的营销活动预测方法
Wu et al. Optimized deep learning framework for water distribution data-driven modeling
CN113139850A (zh) 一种缓解数据稀疏性和商品冷启动的商品推荐模型
CN111831895A (zh) 一种基于lstm模型的网络舆情预警方法
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及系统
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN113935489A (zh) 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法
CN113591971A (zh) 基于dpi时间序列词嵌入向量的用户个性行为预测方法
CN112055038B (zh) 生成点击率预估模型的方法及预测点击概率的方法
CN113297936B (zh) 一种基于局部图卷积网络的排球群体行为识别方法
CN111459927B (zh) Cnn-lstm开发者项目推荐方法
Wang et al. A new interactive model for improving the learning performance of back propagation neural network
CN114048361A (zh) 基于深度学习的众包软件开发者推荐方法
Ma et al. Data Model of Key Indicators of Urban Architectural Design Based on Long-and Short-Term Convolutional Memory Network.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant