成静, 王威, 帅正义

(1.西安工业大学 计算机科学与工程学院, 陕西 西安 710021; 2.西北工业大学 软件学院, 陕西 西安 710072)

移动应用众包测试是通过互联网面向测试人员发布移动应用测试任务，并由志愿者完成移动应用测试的一种测试方法[]。近年来，移动应用众包测试发展迅速，测试类型已涵盖GUI测试、兼容性测试、性能测试、安全性测试等不同方面，因此对测试人员的专业技能提出了苛刻要求。如何为测试项目推荐合适的测试人员，是保证众包测试质量的关键。

在近年来，国内外众多研究人员尝试将深度学习引入到推荐算法领域[2]，其中以基于深度神经网络的协同推荐模型最有影响力[3-4]。该算法主要是利用深度神经网络DNN对高阶特征交互行为的学习能力来实现预测和推荐[5]。虽然DNN算法本身具有优秀的深层特征提取能力和参数学习能力，但是推荐算法领域的输入数据并不是图像和音频领域的那种稠密数据，推荐算法领域数据具有的稀疏性往往导致算法模型陷入局部最优，导致算法模型推荐效能打折。因此针对基于深度学习的移动应用众包测试推荐算法的研究，必须考虑数据稀疏度不同对模型的影响，并避免算法模型陷入局部最优。

本文通过对移动应用众包测试推荐机制进行深度分析，发现解决这一问题的关键在于数据稠密化过程中具有封闭式数据计算能力。而解决这一问题的关键性技术，堆叠边缘降噪自动编码器SMDA[6-7]一方面可以对测试人员和测试项目的输入向量进行无限最大化次数加噪，另一方面计算复杂度低且具有良好的可扩展性。……