众包软件测试作为一种新型互联网协作式问题解决模型,打破了传统软件测试高门槛、高成本和低泛用的壁垒。然而众包软件测试的任务自由竞标模式存在效率低下、分配单一化的问题。跨域任务推荐利用众包软件测试场景领域多样化、领域间存在共享信息的特点,为众包软件测试工作者进行任务个性化推荐。相较于传统的任务自由竞标模式,跨域任务推荐不仅效率更高,而且能为工作者提供更符合其预期、匹配其能力的任务。现有的跨域推荐方法划分为特征建模、知识迁移以及跨域推荐等过程。大部分方法在特征建模过程中,不考虑用户或任务的辅助特征信息,存在特征建模不充分的问题;且知识迁移时使用的方法常忽略迁移对象之间的差异性,从而带来负迁移现象;并且,领域之间存在互补关系,而现有方法多依据源域知识对目标域进行补充,忽略了目标域对源域知识的补充。为了解决上述问题,本文工作从众测场景特点出发,研究了跨域推荐算法在实际场景下的运用,并针对性地进行改进。本文研究工作包括:1)本文首先针对现有跨域推荐算法未充分挖掘众测场景下工作者具备特有属性特征的问题,提出了基于多通道信息隐语义模型的跨域推荐算法,将工作者属性特征融合进隐语义模型中,为特征建模过程提供更加精准、完善的领域特征信息。实验表明基于多通道信息隐语义模型的跨域推荐算法能更好地捕捉工作者特征,带来更好的推荐效果。2)现有跨域推荐算法未考虑众测场景下工作者之间的差异性,这导致知识迁移过程中引入目标域不需要或者不相关信息。针对该问题,本文通过引入自注意力机制,使跨域推荐系统在知识迁移过程中,更有针对性地筛选域间信息,从而提高模型信息迁移准确率。后续实验表明,引入自注意力机制后,模型能有效缓解负迁移现象,提升任务推荐质量。3)在众包软件测试场景下,不同任务领域间存在共享信息,各领域可互为补充。现有跨域推荐算法在知识迁移过程中,多从源域迁移知识到目标域,未考虑目标域对源域的知识补充。受多任务学习启发,本文提出引入域判别器的对偶跨域推荐算法,让源域与目标域之间相互辅助,从而同时提升各个域的任务推荐质量。最终的实验结果表明,引入域判别器的对偶跨域推荐模型能缓解单一域信息稀疏问题,有效提升跨域推荐算法性能。