استفاده از خرد جمعی معماران نرمافزار از طریق کاویدن مخازن پروژههای نرمافزارهای معتبر آزاد/متنباز، یکی از حوزههای پژوهشی است که در سالهای اخیر با استقبال بیشتری روبرو شدهاست. با توجه به رویش روزافزون فناوریهای در دسترس، انتخاب فناوریهای مناسب از میان آنها به یکی از چالشهای پیشروی معماران نرمافزار تبدیل شدهاست. سامانهٔ توصیهگر راهکاری مناسب برای پشتیبانی از معمار در انتخاب فناوری است. پژوهشهای صورتگرفته در این حوزه از طیف وسیعی از روشهای یادگیری ماشین برای ساخت این سامانهها استفاده کردند ولی تأثیر کیفیت و اندازهٔ پروژههای استفاده شده مورد مطالعه قرار نگرفتهاست. همچنین دقت پیشنهادهایشان با توجه به پیشرفتهای اخیر در الگوریتمهای یادگیری عمیق چندان مناسب نیست و به مشکل شروع سرد مبتلا هستند. این پژوهش پس از استخراج دادهٔ کیفیت پروژهها، با توسعهٔ دو سامانهٔ توصیهگر مبتنی بر یادگیری عمیق به نام DeepLibAide و مبتنی بر محتوا به نام ContentLibAide و توصیهگر تلفیقی با هدف حل مشکل شروع سرد، به مقایسهٔ نتایج اجرای آنها روی نمونههای مختلف از کیفیت پروژهها میپردازد. مقایسهٔ نتایج DeepLibAide نشان میدهد که به واسطهٔ استفاده از تابع فعالساز خطی، حذف تبدیل ویژگیها و جمع زدن بردارهای جاساز لایهها، نتایج ارزیابی مدل طراحی شده در فراسنجهای مختلف، نسبت به روش پایه در معیارهای دقت، بازیابی و سود انباشتهٔ کاهشیافتهٔ نرمالشده و ضرر آزمون بهبود یافتهاست. دقت و بازیابی آموزش مدل توسط دادگان بزرگتر، دادگان حاوی فقط پروژههای باکیفیتتر و انتخاب تصادفی پروژهها مقایسه شدهاست. DeepLibAide نسبت به روش پایه بهطور میانگین هفت درصد در معیار بازیابی بهبود یافته. معماری خطلولهٔ طراحیشده از ابتدای استخراج یا بهروزرسانی دادگان ورودی و ساخت نمونهها تا مرحلهٔ آموزش مدلها با فراسنجهای مختلف و ذخیرهسازی پیشنهادها و ارزیابی و مقایسهٔ آنها با روش پایه در نمودارهای مختلف طوری طراحی شدهاست که کل برنامه بهطور خودکار و با حداقل نیاز به دستکاری اجرا شود.