1.一种基于多标签学习的群体软件开发中服务匹配方法，包括以下步骤：S1、建立数据嵌入层；

S2、建立交互感知层，包括交互组和感知组两部分；

S3、构建多标签任务层。

2.根据权利要求1所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述S1的具体步骤如下：S11、输入开发者、项目数据，分别包含开发者实践技能和项目基本属性，所有开发者的语言和角色、项目的主题和受众均视为特征，每个特征通过全局标识符xi指示向量中的位置；

d

S12、将每个特征映射到一个密集向量上进行分布式表示，令ei∈R 为一个d维向量，嵌入工作完成后，得到一组大小为d×n对应于x的嵌入向量Ex，公式如下：Ex＝{x1e1，...xiei}(1≤i≤n)。

3.根据权利要求2所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述S2的具体步骤如下：S21、交互组由求和 与乘积 两部分组成，在求和部分，将所有嵌入向量相加，得到：为一阶特征；

在乘积部分，将嵌入向量上的元素相乘，把嵌入集Ex送入交互组，并把一组嵌入向量转换成一个向量，如下：其中,特征分为开发者和项目两个子集:Cdev和Cpro，“·”表示两个向量的元素相乘,如下:(ei·ej)k＝eikejk(1≤k≤d)d

此时得到一个d维向量，编码R中特征之间的二阶交互；

S22、将一阶特征和二阶交叉特征结合，两部分进一步合并为E′x，并完全连接到感知组中，如下：S23、感知组rL是一个全连接层的堆栈，其公式如下：r1＝ω1(W1E′x+b1)

r2＝ω2(W2r1+b2)

…

rL＝ωL(WLrL‑1+bL)

其中，L为隐含层数，WL、bL、ωL分别为第L层的权矩阵、偏置向量和激活函数。

4.根据权利要求3所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述S3的具体步骤如下：S31、首先为每个标签添加独立的感知模块，如下：…

其中yn、PLn、 分别为标签预测函数、感知模块、感知模块对第n个预测标签的神经元权重；

S32、根据模型输出结果，对所有预测值进行排序，当每个标签均达到最优值时，完成此次开发者和项目的匹配；

S33、验证匹配结果，采用平均绝对误差、均方根误差和归一化平均绝对误差进行评价，如下：其中，y(x)和 分别为真实值和预测值，N为测试用例的数量；ymax和ymin分别是数据集中观察到的最大值和最小值，MAE表示平均绝对误差，RMSE表示均方根误差，NMAE表示归一化平均绝对误差。

5.根据权利要求4所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述步骤S11中提取开发者实践技能时，选用开发者实践技能和项目基本属性数据，对开发者实践技能和项目基本属性进行区分，分成两部分后作为数据输入集。

6.根据权利要求5所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述步骤S11中的特征共有n个，当第i个特征存在时，令xi＝1，否则xi＝0，得到输入向量x＝[101…001]，特征标识符记为[1,2,…,i]。

7.根据权利要求6所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述步骤S12中保留非零的特征作为嵌入向量，公式为Ex＝{xiei|xi≠0}。

8.根据权利要求7所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述步骤S21中的求和部分计算开发者项目一阶特征，所述步骤S21中的乘积部分计算开发者项目二阶交叉特征，所述步骤S22整合交互组。

9.根据权利要求8所述的一种基于多标签学习的群体软件开发中服务匹配方法，其特征在于：所述步骤S23中的堆栈为全连接层、学习属性之间高阶交互的堆栈。