软件众包因其开放式利用群体智慧解决问题的特点,在工业界和学术界受到众多关注。近年来,随着软件众包平台的不断发展,其用户量也呈现出高速增长的趋势,如何帮助用户挑选合适自己的服务商及服务,即构建一个优秀的众包服务搜索系统成为了各平台亟需解决的关键问题之一。为解决当前服务搜索系统未能充分利用包括用户评论在内的现有平台数据和未能对搜索结果精确排序的问题,本文提出了基于用户评论的软件众包智能搜索模型。通过对用户评论进行提炼,挖掘出其中可供服务建模使用的关键信息,并使用基于模型集成的学习排序方法对预过滤得到的服务列表进行精确排序。为了弥补搜索结果对于用户的解释性,本文提出了基于模板的推荐理由生成方法。本文的主要贡献如下:1)提出了基于深度学习和迁移学习的评论提炼模型。利用深度学习技术,通过先进行目标区域选择后进行区域内文本标注的神经网络方法,有效地去除评论中多余的文字,从评论中提取出核心内容。为将模型迁移到数据量较小的服务评论上,使用模型迁移学习方法,通过参数微调,构建了适合用于众包服务领域的评论提炼模型。实验结果表明,本文所提出的评论提炼模型在众包服务评论数据集上,相比以往模型,在ROUGE-L等指标上的提升均超过4%。2)提出了基于评论的服务建模方法和集成学习排序模型。针对提炼后评论文本中的每一分句,进行评论类别和评论色彩分类,并将其融入到服务特征向量的构建中。针对单一排序模型的缺陷,本文结合point-wise模型与pair-wise模型的优势,对多个先进模型进行集成处理。实验结果表明,基于评论的集成学习排序模型相比单一排序模型效果提升超过3%。3)提出了基于模板的推荐理由生成方法。针对服务搜索系统可解释性不足的缺陷,对排名靠前的搜索结果结合用户搜索请求文本、服务信息、评论信息通过模板匹配的方法进行推荐理由的生成,为用户提供了知情的权利,提升了平台的可信度。该推荐理由生成方法在语法性、准确性上取得了较高的专家评分,分别为4.78分和4.51分。