近年来,软件众包,一种新型的软件开发方式逐渐变得火热。其能充分利用互联网的闲置资源以及因地理原因而无法聚集在一起的优质开发资源,调动人们的集体智慧来协作完成软件开发。作为一类电子商业平台,软件众包平台需要推荐系统支持。对于平台上的任务发布者,如果平台能够将优质的开发者推荐给他们,为他们高效且高质地完成任务,那么任务发布者会更加信任这一平台,进而促使他们发布更多的任务;对于任务的接收者,如果平台能够及时地为他们推荐其能力范围内且感兴趣的任务,为他们带来收益,那么这些用户也会更加积极地投入这一平台进行开发。但是为软件众包平台构建推荐系统并非一件容易的工作。因为区别于传统的推荐系统,软件众包中的任务存在比较短的生命周期,在短的生命周期内,难以实现数据地累积供算法进行学习,故软件众包平台面临严重的冷启动问题。本文着重研究这一问题,提出了一套通用的软件众包平台资源建模方案,并采用深度学习方法解决任务冷启动问题,采用遗传算法解决接包方冷启动问题。本文的主要贡献和创新点包括:(1)本文提出了一套通用的方案为众包平台上的任务以及接包方进行建模以解决不同众包平台上存在的数据异构性问题。建模时,针对众包平台上数据的特性,提出了一种改进TF-IDF的模型,w TF-IDF;同时提出了估算流行度这一概念,为冷启动任务更好地进行流行度建模。(2)对于任务的冷启动问题,本文提出了一种新的基于多模态映射的混合推荐算法base-ME。其能够将建模后得到的接包方向量以及任务向量映射到同一个特征空间下,进而通过计算内积的方式为冷启动任务进行有效推荐。在此算法的基础上,本文结合深度学习技术,进一步提出了deepME算法,支持更多种类的参数输入。(3)对于接包方的冷启动问题,本文提出一种基于主题的流行度抽样算法。算法求解使用了遗传算法,其甚至能为冷启动接包方推荐冷启动任务。最后,为了验证本文所提出算法的有效性,进行了一系列实验。实验一,采用三个软件众包数据集,将本文提出的基于多模态映射的推荐算法base-ME和deep-ME与多种成熟以及新颖的推荐算法进行对比,在为冷启动任务推荐接包方时取得了良好的效果,在准确度和召回率上有约17%的提升。实验二,本文将提出的基于主题的流行度抽样算法与其他经典的用户冷启动解决算法进行对比,在准确度和召回率上有约75%的提升。