随着云开发技术的不断发展，以众包软件平台为代表的共享智慧社区，打破了传统软件开发模式，成为软件工程领域一个新的研究热点。众包软件平台采用线上公开参与的方式，吸引地理位置分散的线下开发者，完成各种类型的在线软件开发任务。开放的互动模式虽然增加了平台任务的可访问性，但是也带来了很大问题，开发者不得不花费大量时间从数量巨大、类型繁杂的任务中选择合适自己的任务，这严重影响了软件开发的效率和质量。因此，本文在详细分析众包软件平台异构特征的基础上，结合传统推荐系统模型研究相应的开发者推荐方法，有效解决平台中任务和开发者的精准匹配问题。
　　为了全面、高效地融合平台异构信息，缓解数据稀疏性和新任务、新开发者冷启动问题，从基于内容的推荐思路出发，提出一种基于因式分解机的众包软件开发者混合推荐方法。首先，将任务发布者对开发者历史任务的评价信息转化为任务-开发者评分矩阵。然后，结合从众包软件平台收集的每个开发者的评估数据、自我描述以及任务需求文档等信息建立开发者综合能力模型（动态感知能力+自我认知能力）和任务特征模型，同时通过集成威尔逊区间算法和贝叶斯平均算法的思路解决特征的置信度问题。最后，利用因式分解机算法将能力模型和任务模型加入评分矩阵，并在特征间构建二阶交互关系，为每个任务生成开发者推荐列表。
　　为了多角度、多层次地构建平台开发者推荐系统，实现融合基于内容和基于协同过滤算法推荐模型的目标，进一步提升推荐准确性，在基于因式分解机的混合推荐方法的基础上，提出一种基于多模型融合策略的众包软件开发者混合推荐方法。首先，将历史任务评价信息转化为原始任务-开发者评分矩阵。其次，建立评分拟合模型，借助矩阵分解算法，分解、拟合任务-开发者评分矩阵，生成拟合评分。然后，建立评分预测模型，利用因式分解机算法整合开发者和任务的各类异构内容特征，通过构建不同交互关系生成预测评分。最后，建立评分集成模型，将评分拟合模型和评分预测模型进行加权融合，得到最终集成评分，根据评分排名为任务生成Top-k开发者推荐列表。
　　最后，为了验证所提两种开发者推荐方法的有效性，对ZhuBaJie平台和TopCoder平台数据集进行广泛实验，结果表明，本文方法在多种评价指标下都取得了比传统开发者推荐方法更好的推荐效果。本文从理论和实践角度丰富了众包软件平台开发者推荐的研究成果，对改善平台个性化体验、提高平台运营收益具有重要的现实意义。