融合信任隐含相似度与评分相似度的社会化推荐

针对现有的社会化推荐算法大都忽略了物品间的关联关系对推荐精度的影响,并且未能将用户评分与信任数据进行有效结合的问题,提出一种融合信任隐含相似度与评分相似度的社会化推荐算法（SocialTS）。首先,将用户间的评分相似度与信任隐含相似度进行线性组合以得到用户间可靠的相似朋友;然后,将信任关系融入到项目的相关性分析中,从而得到修正后的相似项目;最后,将相似用户、项目作为正则项添加到矩阵分解（MF）模型下,从而获取用户、项目更准确的特征表示。实验结果表明,当潜在特征维度为10时,与主流的社会化推荐算法TrustSVD相比,SocialTS在FilmTrust和CiaoDVD数据集上的均方根误差（RMSE）分别降低了4.23%和8.38%,平均绝对误差（MAE）分别降低了4.66%和6.88%。SocialTS不仅可以有效改善用户冷启动问题,还能较为准确地预测不同评分数量下用户的实际评分,且具有良好的鲁棒性。     

基于网络表征学习的软件系统演化分析

从包、类和方法3个粒度构建软件元素的网络模型。利用经典的网络表征学习方法Node2vec学习节点特征,并从网络距离、增长特性、更新率、模块度等方面对3个开源软件系统进行演化分析。试验结果表明：3种粒度下的演化特性不尽相同,包粒度下的演化更加稳定且高效;相比先前研究,本研究方法得到的软件演化特性与Lehman定律更契合;当软件系统迭代累计到最大阈值时其体系架构将重新部署,此时软件系统的鲁棒性最差且易产生峭壁。     

开源社区中的潜在开发者推荐

寻找潜在的开源社区合作者可以提高项目开发效率并缩短开发周期。通过分析开发者特征信息和开发者之间的合作关系，可以确定开发者擅长的项目类型。利用社区中的开发者合作网络和每个开发者的特征，使用图神经网络模型学习每个开发者的特征表示，从而有效地推荐合作者。利用开源社区SourceForge.net公开的数据集进行了多组实验，结果表明：在为1982个开发者推荐的Top10个候选者中，成功率高达52.3%，并且最高的全类别平均正确率（mean Average Precision,mAP）值和平均倒数排名（Mean Reciprocal Ranking,MRR）值分别达到65.7%和23.9%，为开源社区中的开发者寻找合作伙伴提供了一种高效的合作路径。