近日，中国科学院软件研究所互联网软件技术实验室团队在上下文感知的众测人员推荐方面取得新进展，研究针对众包测试（简称众测）环境下的资源配置问题，提出了一种能够动态优化人员配置、提升测试效率、加快众测过程、提升众测平台成本效益的众测人员推荐新方法。相关工作以Context-aware In-process Crowdworker Recommendation为题获得第42届软件工程国际会议杰出论文奖（ACM SIGSOFT Distinguished Paper award）。论文第一作者为副研究员王俊杰，通讯作者为研究员王青。该团队已连续两年在ICSE会议上荣获杰出论文奖。
　　众测是依托新一代互联网技术衍生的全新测试服务业态，利用共享经济的特征，采用分布协作的方式组织测试，协同测试需求和资源，聚合形成规模效益。众测正被越来越多的软件组织所采用，包括但不限于谷歌、脸书、亚马逊、微软、百度、阿里、腾讯等。在众测这种开放自治的模式下，松散的人员组织导致个体对全局信息缺乏了解，人员效能难以有效发挥。
　　该团队提出上下文感知的过程中众测人员推荐方法，能够在众测过程中动态实时推荐有能力且多样性的众测人员，帮助优化缺陷发现效率、减少重复缺陷、提升人员效能。该方法通过建模过程上下文和资源上下文捕获任务的进展状态和人员属性信息，基于排序学习得到人员发现缺陷的概率，并基于多样性的重排序潜在减少重复缺陷。实验结果表明，该方法能够缩短50%-58%的测试周期，并减少10%的测试成本。该研究突破了传统静态的、针对任务初始上下文的推荐方式，不仅对于众测资源优化配置和群体协同具有重要意义，而且为众测这种新型科技服务模式的广泛应用、及科技服务业创新发展水平的提升提供了基础。
　　相关研究得到国家重点研发计划项目“信息产品及科技服务集成化众测服务平台研发与应用”支持。

　　上下文感知的过程中众测人员推荐方法

　　上下文感知的过程中众测人员推荐方法性能
会议录用论文链接：https://2020.icse-conferences.org/track/icse-2020-papers?track=ICSE%20Technical%20Papers