为进一步提高迁移学习的特征识别和提取效率、减少负迁移并增强模型的学习性能，提出了一种基于改进领域分离网络（DSN）的迁移学习模型AMCN-DSN（Attention Mechanism Capsule Network-DSN）。首先，使用融合多头注意力机制的胶囊网络（MHAC）完成源域和目标域特征信息的提取与重构，基于注意力机制有效筛选特征信息，并利用胶囊网络提高深层信息的提取质量；其次，引入动态对抗因子优化重构损失函数，使重构器可动态衡量源域与目标域信息的相对重要性，从而增强迁移学习的鲁棒性和提升收敛速度；最后，在分类器中融入多头自注意力机制，以强化对公有特征的语义理解并提高分类性能。在情感分析实验中，相较于其他迁移学习模型，所提模型能够将学习到的知识迁移到数据量少但相似性高的任务中，分类性能的下降幅度最小，迁移表现较好；在意图识别实验中，相较于分类性能次优的胶囊网络改进领域对抗神经网络（DANN+CapsNet）模型，所提模型的精确度、召回率和F1值分别提升了4.5%、4.3%和4.4%，表明所提模型在处理小数据问题和个性化问题上具有一定优势。与DSN相比，AMCN-DSN在上述两类实验目标域上的F1值分别提高了6.0%和12.4%，进一步验证了改进模型的有效性。

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。

测试资源分配是软件测试中的一个基础问题，然而已有研究大都针对并串联模块软件模型而鲜有涉及体系结构软件模型。为此，首先针对可靠性和错误数动态变化的测试环境，构建了一种基于体系结构的多阶段多目标测试资源分配模型。然后基于参数重估计、种群重新初始化、广义差分进化和归一化加权求和设计了一种面向动态可靠性和错误数的多阶段多目标测试资源分配算法。最后，在仿真实验中，与已有的归一化加权求和多目标差分进化（WNS-MODE）算法进行对比，所提算法在不同结构的体系结构软件模型实例上所获解集更优，容量值提高了约16倍，覆盖值提高了约84个百分点，超体积提高了约6倍。实验结果表明，所提算法能够更好地适应可靠性和错误数的动态变化，可为体系结构软件模型的动态测试提供更多和更优的测试资源分配方案。

传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷，而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景。然而，现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据，要么仅仅关注隐式反馈数据，没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息，同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷，在xCLiMF模型和TrustSVD模型基础上，提出一种新的融合显/隐式反馈的社会化协同排序推荐算法SPR_SVD++。该算法同时挖掘用户评分矩阵和社交网络矩阵中的显/隐式信息，并优化排序学习的评价指标预期倒数排名（ERR）。在真实数据集上的实验结果表明，采用归一化折损累计增益（NDCG）和ERR作为评价指标，SPR_SVD++算法均优于最新的TrustSVD、MERR_SVD++和SVD++算法。可见SPR_SVD++算法性能好、可扩展性强，在互联网信息推荐领域有很好的应用前景。