公开(公告)号：CN112883288B

公开(公告)日：2024-07-19

申请号：CN202110264009.3

申请日：2021-03-09

Applicant: 东南大学

Inventor： 王红兵 ,  何茂林

IPC: G06F16/9536 ,  G06F16/9535 ,  G06N3/045 ,  G06N3/08 ,  G06F18/22

Abstract: 本发明公开了基于深度学习和多Agent优化的软件评审者混合推荐方法，包括以下步骤：步骤（1）主要负责系统中的资源调度与分配；步骤（2）低阶特征处理，步骤（3）评审者召回；步骤（4）评审者排序并推荐；本发明采用LFM学习项目PR的隐因子矩阵和评审者的隐因子矩阵，通过计算两个隐因子矩阵的内积填补行为特征矩阵的空缺值，降低其稀疏度，然后再使用基于项目PR的协同过滤推荐算法进行推荐。排序部分使用深度神经网络（DNN）学习评审者的通用特征向量，DNN将会学习到高阶特征组合，使得推荐更加精准。通过设计多Agent系统实现各个部分之间的协同学习，提高海量数据环境下的推荐效率。

公开(公告)号：CN112883288A

公开(公告)日：2021-06-01

申请号：CN202110264009.3

申请日：2021-03-09

Applicant: 东南大学

Inventor： 王红兵 ,  何茂林

IPC: G06F16/9536 ,  G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于深度学习和多Agent优化的软件评审者混合推荐方法，包括以下步骤：步骤（1）主要负责系统中的资源调度与分配；步骤（2）低阶特征处理，步骤（3）评审者召回；步骤（4）评审者排序并推荐；本发明采用LFM学习项目PR的隐因子矩阵和评审者的隐因子矩阵，通过计算两个隐因子矩阵的内积填补行为特征矩阵的空缺值，降低其稀疏度，然后再使用基于项目PR的协同过滤推荐算法进行推荐。排序部分使用深度神经网络（DNN）学习评审者的通用特征向量，DNN将会学习到高阶特征组合，使得推荐更加精准。通过设计多Agent系统实现各个部分之间的协同学习，提高海量数据环境下的推荐效率。