摘要：为提高工作量感知的跨项目缺陷预测性能,提出一种基于差分演化算法的建模方法DE-EACPDP。提出缺陷密度百分位数平均(FDPA)作为模型在训练集上的优化目标,采用逻辑回归(LR)建立预测模型;为使LR在训练集上得到最大的FDPA,使用差分演化算法搜索最优的LR系数。实验在4个数据集的82个项目上对模型进行评估,其结果表明,与5个最先进的方法相比,DE-EACPDP可以显著提升工作量感知性能。

摘要：为解决协同过滤推荐中显示反馈数据缺失的情况和冷启动问题,综合考虑用户属性和隐式反馈数据,提出一种相似度计算和用户推荐方法。利用用户属性,充分挖掘用户信息,计算用户属性相似度,使用隐式反馈数据替代显示反馈数据计算用户行为相似度,融合两种相似度进行预测和用户推荐。在真实数据集上进行实验,实验结果表明,该方法具有准确性和有效性,解决了显示反馈数据缺失的问题,一定程度克服了用户冷启动问题。