1.一种针对冷启动任务的开发者推荐方法，其特征在于，通过以下步骤实现：步骤1、利用FM算法融合已有任务和已有开发者的显式特征、ID特征和相应评分信息，建立基于FM的融合模型；

步骤2、基于训练得到的已完成任务的隐式特征，利用深度回归模型建模显式特征到隐式特征的映射关系；

步骤3、基于所述映射关系，根据冷启动任务的显式特征计算冷启动任务的隐式特征；

步骤4、根据所述冷启动任务的显式特征和计算所得所述冷启动任务的隐式特征，利用所述FM融合模型进行评分预测；

其中，隐式特征是指：任务ID的one‑hot表示中数值为1的那一维特征在所述融合模型中所对应的隐因子向量；

所述步骤1中的FM的融合模型，采用二阶FM模型进行异构信息的融合；其中，已有任务和已有开发者的显式特征和ID特征作为回归问题的输入特征，评分信息作为回归变量，针对开发者推荐场景，其表达式如下：其中，模型参数w0，wi和wij分别表示全局偏置，特征i对应的权重和特征i与特征j交互项的权重，n和m分别表示已有的任务和开发者数目，n1和m1分别表示已有的任务和开发者的显式特征维数；交互项权重wij表示为： vi和vj分别表示特征xi和xj对应的隐因子向量。

2.根据权利要求1所述的针对冷启动任务的开发者推荐方法，其特征在于，所述步骤1中，为训练基于FM的融合模型，基于平方和误差定义损失函数，并求解如下优化问题：其中，D表示训练集， λw,和λv分别表示三类模型参数对应的正则化系数。

3.根据权利要求1所述的针对冷启动任务的开发者推荐方法，其特征在于，所述步骤2中，结合栈式降噪自编码器进行基于深度回归模型的映射关系建模，具体包括：基于栈式降噪自编码器的显式特征降维：利用所述栈式降噪自编码器将训练集上任务原始的显式特征表示为低维高层特征；

线性回归分析：在所述栈式降噪自编码器的外层增加一层线性回归单元，以所述低维高层特征作为输入，以训练集上任务的隐式特征为输出，构建线性回归模型。

4.根据权利要求3所述的针对冷启动任务的开发者推荐方法，其特征在于，所述线性回归单元通过对降维后高层特征加权求和，得到任务i(i＝1,…,n)隐式特征的预测值其中,l为高层特征的维数，wj为第j维特征的权重，w0为偏置；然后通过梯度下降求解如下优化问题来确定线性回归单元相关权重系数:其中，vi为任务i的隐式特征值，为经过深度回归模型预测的任务i的隐式特征值，n为已有任务的个数。

5.根据权利要求3所述的针对冷启动任务的开发者推荐方法，其特征在于，所述深度回归模型中，栈式降噪自编码器利用预训练好的权重进行初始化，外层线性回归单元进行随机初始化；利用反向传播算法对所有权重进行微调。