常得琳

摘要：為了解決軟件眾包任務(wù)定價(jià)決策階段可用信息有限的問題，提出一種基于層次注意力模型的軟件眾包定價(jià)方法。利用層次注意力模型提取軟件眾包任務(wù)需求文本語義特征，可以在需求文本中自動(dòng)發(fā)掘與任務(wù)價(jià)格相關(guān)的有效信息。此外，將文本劃分成詞和句兩個(gè)層次對全文進(jìn)行有重點(diǎn)的表示，可以更好地表示文本特征。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效克服生產(chǎn)環(huán)境的局限性，降低特征提取難度，并在一定程度上提高了預(yù)測性能。

關(guān)鍵詞：注意力機(jī)制;軟件眾包;定價(jià)方法;自然語言處理

DOI：10.11907/rjdk.201188 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2020）006-0090-05

0 引言

近年來，隨著互聯(lián)網(wǎng)的發(fā)展，軟件開發(fā)模式也發(fā)生了變革，其中基于眾包的軟件開發(fā)模式正逐漸興起。眾包是一種基于互聯(lián)網(wǎng)的新興商業(yè)模式，目前被廣泛采用的眾包定義由HoweC～在2006提出。眾包定義為公司或機(jī)構(gòu)將之前由員工完成的任務(wù)，以公開征集的形式外包給非特定大眾完成的行為?；诒姲能浖_發(fā)通過互聯(lián)網(wǎng)召集全球在線開發(fā)者完成覆蓋軟件生命周期的多種任務(wù)，如架構(gòu)設(shè)計(jì)、組件開發(fā)、軟件測試及缺陷修復(fù)等，許多知名公司和機(jī)構(gòu)均開始轉(zhuǎn)向基于眾包的軟件開發(fā)模式。該開發(fā)模式可以顯著提高軟件生產(chǎn)效率和質(zhì)量，同時(shí)降低開發(fā)成本。因此，基于眾包的軟件開發(fā)模式已成為當(dāng)前一種十分流行的開發(fā)模式。但該模式目前還具有一定缺陷，在實(shí)踐中仍面臨著一系列挑戰(zhàn)，例如存在軟件眾包任務(wù)資源配置、激勵(lì)機(jī)制與質(zhì)量保證機(jī)制等問題。

在資源配置方面，不合理的任務(wù)酬金可能導(dǎo)致資金利用低效或者較低的任務(wù)參與度，進(jìn)而影響整個(gè)項(xiàng)目預(yù)算或產(chǎn)品交付。傳統(tǒng)軟件成本預(yù)測以及眾包定價(jià)方法通過手工提取特征因子構(gòu)建定價(jià)模型，不僅需要耗費(fèi)大量時(shí)間處理復(fù)雜的數(shù)據(jù)集，而且效果并不顯著?，F(xiàn)有定價(jià)方法需要依賴較多的可用信息，而在實(shí)際生產(chǎn)環(huán)境中，在定價(jià)決策階段，有些信息是無法獲取的。本文從眾包任務(wù)定價(jià)決策階段可用的需求文本人手，提出一種基于層次注意力模型的軟件眾包定價(jià)方法。該方法可以降低特征提取難度，解決可用信息有限的問題，并在一定程度上提高預(yù)測性能。

1相關(guān)工作

（1）軟件成本預(yù)測。傳統(tǒng)軟件成本預(yù)測主要研究目標(biāo)是軟件開發(fā)總成本，其中主要包括基于經(jīng)驗(yàn)的方法、基于算法模型的方法以及基于機(jī)器學(xué)習(xí)的方法等?；诮?jīng)驗(yàn)的方法一般由專家根據(jù)歷史數(shù)據(jù)及當(dāng)前市場形勢主觀決定開發(fā)成本;基于算法模型的方法以COCOMO系列模型為代表;基于機(jī)器學(xué)習(xí)的方法利用大量歷史數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)技術(shù)自動(dòng)發(fā)掘特征與價(jià)格之間的關(guān)系。

（2）一般軟件眾包任務(wù)。對于眾包任務(wù)的發(fā)包者，合理的酬金可以提高資源配置效率以及眾包任務(wù)完成質(zhì)量。目前已有學(xué)者進(jìn)行了相關(guān)研究，如Hu提出一種任務(wù)定價(jià)機(jī)制，該機(jī)制將眾包任務(wù)定價(jià)問題轉(zhuǎn)化為多臂強(qiáng)盜問題，并利用微型眾包任務(wù)的單一特性設(shè)計(jì)優(yōu)化算法，結(jié)果表明，該機(jī)制具有較強(qiáng)的實(shí)用性;Wang從眾包從業(yè)者專業(yè)技術(shù)水平方面對眾包平臺(tái)定價(jià)策略展開研究，并提出根據(jù)從業(yè)者技術(shù)水平調(diào)整任務(wù)酬金。但此類研究一般只適用于微小型眾包任務(wù)。

（3）軟件眾包任務(wù)定價(jià)。在針對軟件眾包任務(wù)定價(jià)的研究中，毛可的研究成果最為突出，其利用歷史數(shù)據(jù)集提取16個(gè)與軟件眾包任務(wù)相關(guān)的定價(jià)因子，并利用不同機(jī)器學(xué)習(xí)方法構(gòu)建定價(jià)模型。實(shí)驗(yàn)結(jié)果表明，該方法具有較好的預(yù)測性能，但在其所用數(shù)據(jù)集中，部分?jǐn)?shù)據(jù)在軟件定價(jià)決策階段難以獲得;Turki提出基于上下文的軟件眾包定價(jià)方法，從實(shí)際生產(chǎn)環(huán)境的可用信息出發(fā)，但由于數(shù)據(jù)集較小，預(yù)測精度不高。

（4）自然語言處理。本文方法將軟件眾包任務(wù)需求文本作為輸入，而如何對文本進(jìn)行合理表示，一直是自然語言處理領(lǐng)域的研究重點(diǎn)。在詞的層面，目前較為流行的是Word2vec方法，該方法利用大量語料庫訓(xùn)練模型，得到的詞向量能夠很好地表示單詞語義。在文檔層面，主題模型是目前的常用方法。主題模型是指利用基于詞頻的統(tǒng)計(jì)方法從大量文本中發(fā)現(xiàn)文本潛在主題特征，有研究者也將主題模型應(yīng)用于軟件工程領(lǐng)域。近年來隨著計(jì)算機(jī)硬件的發(fā)展，計(jì)算機(jī)算力不斷提高，基于深度學(xué)習(xí)的方法取得了較好效果。其中在自然語言處理領(lǐng)域，注意力機(jī)制得到了廣泛應(yīng)用。不同領(lǐng)域的研究者針對不同問題提出適用于各種場景的基于注意力的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。注意力機(jī)制可以模擬人在閱讀時(shí)的行為，對文章中每個(gè)詞賦予不同程度的注意力，從而在提煉文本信息時(shí)可以抓住更多關(guān)鍵、有效的信息。

2 層次注意力模型

本文從軟件眾包需求文本出發(fā)構(gòu)建定價(jià)模型，需要用到自然語言處理領(lǐng)域的常用技術(shù)。注意力機(jī)制由于具有很好的分類能力，被廣泛應(yīng)用于自然語言處理領(lǐng)域的情感分類、文本分類等問題。本文借鑒Yang提出的方法，使用軟件眾包任務(wù)需求文檔作為輸入，構(gòu)造適用于軟件眾包定價(jià)的模型。

本文將需求文本分為兩個(gè)層次加以考慮：第一層次是詞一句層次，在閱讀需求文本時(shí)，同樣的詞出現(xiàn)在不同句子中，其重要程度是不同的;第二層次是句一文層次，相同句子出現(xiàn)在不同的上下文環(huán)境中，其對全文的重要程度也是不同的。本文設(shè)計(jì)基于層次注意力模型的軟件眾包定價(jià)方法主要包括5個(gè)方面：詞編碼器、詞注意力機(jī)制、句編碼器、句注意力機(jī)制、定價(jià)層。模型概要如圖l所示。首先利用Word2vec將需求文本單詞序列向量化，然后利用GRU網(wǎng)絡(luò)得到包含上下文信息的詞表示;接著引入詞層面注意力機(jī)制，獲得單詞的權(quán)重矩陣;以加權(quán)求和的方式表示句子，相應(yīng)地使用GRU網(wǎng)絡(luò)得到包含上下文信息的句子表示，并引入句子層面的注意力機(jī)制，獲得句子層面的權(quán)重矩陣;以加權(quán)求和的方式表示文本，最后通過定價(jià)層獲得價(jià)格預(yù)測值。

2.1 詞編碼器

本文的原始輸人是軟件眾包任務(wù)需求文本，在輸入需求文本后，首先得到需求文本的詞序列，然后利用Word2vec方法將文本詞序列轉(zhuǎn)化為詞向量，如式（1）所示。

x_it=W_ew_it，t∈[1，T] （1）

W_e是權(quán)重矩陣，該矩陣由Word2vec提供。接下來將詞向量輸入如圖2所示的雙向GRU網(wǎng)絡(luò)，可以將每個(gè)單詞前文與后文信息結(jié)合起來獲得隱藏層輸出，計(jì)算公式如式（2）、式（3）所示。

對于特定詞語，經(jīng)過雙向GRU網(wǎng)絡(luò)訓(xùn)練之后，便獲得一種新的表示，該表示包含目標(biāo)單詞前后文信息，具體如式（4）所示。

2.2 詞注意力機(jī)制

并非所有單詞都能對句子作出同樣貢獻(xiàn)，而注意力機(jī)制恰好可以模仿人的閱讀行為。在此引入注意力機(jī)制可以把句子中對于理解句子含義最重要、貢獻(xiàn)最大的詞找出來。注意力機(jī)制結(jié)構(gòu)如圖3所示。

首先輸入一個(gè)只有一層隱藏層的MLP感知機(jī)，得到單詞的隱含表示，如式（5）所示。

u_it=tanh（W_wh_it+b_w） （5）

其中，tanh為網(wǎng)絡(luò)激活函數(shù)。為了衡量每個(gè)單詞的重要性，引入一個(gè)隨機(jī)初始化的前后文向量u_w，計(jì)算每個(gè)單詞與該向量相似程度，從而獲得單詞的權(quán)重矩陣，如式（6）所示。

2.3 句編碼器

得到句子的向量表示之后，同樣將句子向量輸入與前文結(jié)構(gòu)一致的雙向GRU網(wǎng)絡(luò)，從而將每句話的前后文信息結(jié)合起來獲得隱藏層輸出，計(jì)算方法如式（5）、式（6）所示。

對于特定句子，經(jīng)過雙向GRU網(wǎng)絡(luò)后獲得了一種新的表示，該表示包含句子前后文信息，如式（10）所示。

2.4 句注意力機(jī)制

本文研究對象為軟件眾包任務(wù)定價(jià)方法，為了獎(jiǎng)勵(lì)提供重要信息的句子，再次引入句子級別的注意力機(jī)制，其結(jié)構(gòu)與前文一致。首先輸入一個(gè)只有一層隱藏層的MLP感知機(jī)得到單詞的隱含表示，如式（11）所示。

u_i=tanh（W_sh_i+b_s） （11）

為衡量每句話的重要性，此處引入一個(gè)隨機(jī)初始化的前后文向量，計(jì)算每個(gè)句子與該向量的相似程度，從而獲得句子的權(quán)重矩陣，如式（12）所示。

在獲得注意力權(quán)重矩陣后，對文檔中每句話進(jìn)行加權(quán)求和便獲得全文的表示，如式（13）所示。

2.5定價(jià)層

在得到文檔向量表示之后，將其輸入只有一層隱藏層的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。使用人工神經(jīng)網(wǎng)絡(luò)，可以利用大量歷史數(shù)據(jù)集獲得較為有效的定價(jià)模型。在訓(xùn)練過程中，使用評價(jià)絕對誤差作為損失函數(shù)，并采用隨機(jī)梯度下降法訓(xùn)練模型。模型訓(xùn)練完成后便可利用訓(xùn)練好的模型在測試集上完成定價(jià)任務(wù)實(shí)驗(yàn)。

3 實(shí)驗(yàn)與結(jié)果

3.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)參數(shù)

本文使用的CUDA版本為8.0，實(shí)驗(yàn)采用的機(jī)器配置為：Intel Core i5-4430，雙核四線程，主頻3.0GHz，內(nèi)存32GB，使用的顯卡規(guī)格為雙路的NVIDIA GTXl080Ti。在實(shí)現(xiàn)本文模型時(shí)，借助深度學(xué)習(xí)框架TensorFlow和keras對雙向GRU網(wǎng)絡(luò)、注意力機(jī)制以及定價(jià)層網(wǎng)絡(luò)加以實(shí)現(xiàn)。

本文對該方法進(jìn)行多次實(shí)驗(yàn)驗(yàn)證，并對參數(shù)進(jìn)行針對性優(yōu)化。對于Word2vec，本文使用的詞嵌人維度為100維，窗口大小設(shè)置為10，使用skip-gram模型進(jìn)行訓(xùn)練;對于雙向GRU網(wǎng)絡(luò)，前向和后向GRU單元隱藏層神經(jīng)元個(gè)數(shù)為50，整個(gè)雙向GRU網(wǎng)絡(luò)隱藏層輸出維度為100維;對于注意力層，本文也將其維度設(shè)置為100維;對于定價(jià)層，隱藏層維度為128維，損失函數(shù)為平均絕對誤差，輸出層使用ReLU函數(shù)進(jìn)行激活。整個(gè)網(wǎng)絡(luò)的batch size為32，學(xué)習(xí)率為0.001，共進(jìn)行20輪訓(xùn)練。

3.2 實(shí)驗(yàn)數(shù)據(jù)集

本文利用爬蟲程序爬取Topcoder眾包平臺(tái)上2013年1月-2018年12月間已完成的軟件任務(wù)交易信息，并以此構(gòu)建本文數(shù)據(jù)集。該數(shù)據(jù)集共包含38265個(gè)真實(shí)的軟件眾包任務(wù)交易信息，共涵蓋漏洞修復(fù)、網(wǎng)頁設(shè)計(jì)、數(shù)據(jù)庫開發(fā)、軟件測試、組件設(shè)計(jì)以及UI設(shè)計(jì)等60余類任務(wù)類型。本文抓取的數(shù)據(jù)信息包括：任務(wù)ID編號、任務(wù)類型、任務(wù)發(fā)布時(shí)間、任務(wù)最后提交日期、任務(wù)名稱、任務(wù)賞金、任務(wù)注冊人數(shù)、任務(wù)需求文檔以及任務(wù)完成狀態(tài)等。然而，其中有部分信息是定價(jià)決策階段不可獲取的，而本研究主要是為了解決軟件眾包任務(wù)早期階段的定價(jià)問題。因此，本文僅利用任務(wù)早期便可獲得的需求文檔，利用不同方法嘗試發(fā)現(xiàn)文檔與價(jià)格之間的潛在聯(lián)系。圖5為該數(shù)據(jù)集中任務(wù)價(jià)格分布。

3.3 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)采用10折交叉驗(yàn)證對模型進(jìn)行評估，同時(shí)使用平均相對誤差（MMRE）和Pred（30）作為誤差評估標(biāo)準(zhǔn)。Pred（30）描述的是使用當(dāng)前模型在測試數(shù)據(jù)集上對價(jià)格進(jìn)行預(yù)測時(shí)，平均絕對誤差小于等于0.3的項(xiàng)目占測試數(shù)據(jù)的百分比。其計(jì)算結(jié)果越大，表示預(yù)測值越準(zhǔn)確。本文將隨機(jī)猜測法（Random Guess）及COCOMO方法作為基準(zhǔn)方法，并與毛可和Turki提出的方法進(jìn)行對比，結(jié)果如圖6所示。

從圖中可以看出，本文方法相較于基準(zhǔn)方法具有明顯優(yōu)勢，并且相較于毛可和Turki的方法，具有更大的Pred（30）以及較小的平均相對誤差。與毛可的方法相比，在平均相對誤差方面，預(yù)測精度提高了約8%，在Pred（30）方面，預(yù)測精度提高了約5%;與Turki的方法相比，精度提高則更加明顯。需要注意的是，毛可研究中已取得相對較高的預(yù)測精度，但其研究使用了部分定價(jià)決策階段不可獲得的信息，因此在應(yīng)用中具有一定局限性。本文方法使用定價(jià)決策階段可獲得的軟件需求文本作為輸人，不僅取得了較高的預(yù)測精度，而且具有較高的實(shí)際應(yīng)用價(jià)值，能夠有效地為決策者提供定價(jià)建議。

4 結(jié)語

本文提出一種基于層次注意力模型的軟件眾包定價(jià)方法。該方法采用軟件眾包早期決策階段獲得的需求文本作為輸人，首先利用Word2vec將需求文本中的單詞序列向量化，接著利用層次化的注意力模型獲得文檔的合理表示，該表示包含較為關(guān)鍵的詞句信息，從而提高了定價(jià)方法預(yù)測精度?，F(xiàn)有方法由于受到生產(chǎn)環(huán)境的局限，應(yīng)用可行性較低，而本文方法從定價(jià)決策階段可用的需求描述文本人手，提出相應(yīng)定價(jià)方法，解決了定價(jià)決策階段可用信息較少的問題。本文方法更適用于實(shí)際生產(chǎn)環(huán)境，能夠?yàn)檐浖姲蝿?wù)決策者在決策階段提供合理的定價(jià)建議。但本文在研究過程中也存在一定不足，為了能夠獲得更好的結(jié)果，還需對以下問題作進(jìn)一步研究與分析。

（1）本文數(shù)據(jù)來自Topcoder平臺(tái)，未來將考慮收集更多軟件眾包平臺(tái)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。

（2）需求描述文本中包含許多圖片性描述，該部分信息可能會(huì)對任務(wù)價(jià)格產(chǎn)生一定影響，未來也應(yīng)將這部分內(nèi)容考慮在內(nèi)展開研究。

（3）隨著深度學(xué)習(xí)不斷取得重大突破，在未來工作中可以嘗試新的技術(shù)與方法，以期獲得更好的預(yù)測結(jié)果。