测试资源分配是软件测试中的一个核心问题。已有相关研究大都假设软件的体系结构是静态不变的，且几乎没有考虑成本约束。针对该问题，提出一种体系结构动态变化的软件测试资源分配算法。首先构建了一种体系结构动态变化的多阶段多目标多约束测试资源分配模型；然后基于参数重估计、广义差分进化，在算法中加入了种群重新初始化，该方法能减小算法搜索空间并提升算法性能；最后在算法中加入了一种新的修复处理机制，该机制能有效剔除算法产生的无效解。与归一化加权求和多目标差分进化（WNS-MODE）算法和基于第三代广义差分进化的动态测试资源分配（DTRA-GDE3）算法相比，所提算法获得的解集的容量值分别提高了约11.81倍和0.39倍。在覆盖值指标方面，所提算法完全覆盖了WNS-MODE算法，并且相对于DTRA-GDE3算法提高了81个百分点。在超体积值指标方面，所提算法分别提高了近6倍和9倍。实验结果表明，所提算法能够更好地适应软件体系结构的动态变化，可为软件产品的动态测试提供更多和更优的测试资源分配方案，并满足用户需求的动态变化。

MOOC平台上，一个课程可能存在多个版本的视频，为向学生推荐一个满足学习兴趣的MOOC视频就需要分析学生兴趣与视频内容的关系，为此，提出一种基于元路径注意力机制的视频推荐方法Mrec。一方面，利用异构信息网（HIN）描述学习者和MOOC资源之间的关系，进而使用元路径表达学生和视频之间的交互关系；另一方面，利用注意力机制捕捉学生、视频、元路径的特征对学习兴趣的影响情况。具体来说，Mrec方法包括两层注意力机制：第一层是节点注意力层，通过邻居的特征加权联合节点自身的特征，利用多头注意力得到实体在不同元路径下的特征表示；第二层是路径注意力层，通过融合在不同元路径的指导下学习到的实体的特征表示来捕捉实体在不同兴趣下的特征表示，并将学习到的用户与视频实体输入到多层感知机（MLP）中得到预测分数来进行top-K推荐。在MOOCCube和MOOCdata数据集上进行实验的结果表明，Mrec的点击率、归一化折损累积收益（NDCG）、平均倒数排名（MRR）与受试者工作特征曲线下面积（AUC）均优于对比方法。