基于图注意力网络的开源社区问题解决参与者推荐

在开源社区中,开发者提出的问题能否得到快速与高质量的答复和解决决定着社区的活跃程度。因此,为新提交的问题寻找和推荐合适的问题解决参与者有助于社区的发展。根据开发者之间的协作关系记录与开发者参与问题的记录构建了双层图注意力网络的问题解决参与者推荐模型(GAT-UCG)。首先获取问题参与者的信息和开发者的互动信息,分别构建开发者问题参与图和开发者协作关系图。通过注意力机制对于边重新分配权重,最后根据输出层得到的问题节点嵌入表示进行问题参与者的top-N推荐。选取了GitHub流行仓库中的7352个问题进行了实验,实验结果表明,所提GAT-UCG模型在推荐准确率、召回率、F-score三个指标上均优于基线方法。

开源社区中Issue解决过程的参与者推荐方法

开源社区中的问题跟踪系统是加快问题解决、促进项目开发进程的重要工具.在像Github这样的社交编码社区中,由于每个人都可以在问题跟踪系统中提交问题(Issue),提交的问题涉及到软件开发项目中的错误、任务组织以及新的需求,因此在开源社区中问题解决过程扮演着重要的角色,而这个过程非常耗时.因此,为新发起的issue解决过程寻找和推荐合适的参与者成为一项至关重要的任务.目前,问答系统中回答者推荐主要采用了问题相似度来推荐回答者,然而开源社区中开发者是否参与某一问题讨论还受到了其他因素的影响;还有一些研究工作针对的是Pull-Request的评价者推荐,并不能适用于Issue解决过程.在本文中,我们首先根据开发者参与过的问题特征构建开发者画像,然后用熵值法对开发者画像进行特征偏好权重计算,结合信息检索和评论网络进行混合推荐.结果表明,我们的混合模型与其他方法相比有更好的性能.

基于问题类别自动分类的参与者推荐

在开源社区中,参与者积极参加问题解决过程对于推进开源社区的发展具有积极意义.在本文中,我们选择了部分Github流行仓库中的18215个问题,根据ISO/IEC 14764规范并将问题分为纠正性、适应性、完善性或预防性维护,然后使用了深度学习模型对问题的类型进行了分类,并分析问题类型对开发人员参与评论问题积极性的影响,我们的分析表明,部分开发人员对问题类型具有敏感性,即他们更偏向于参与特定类型的问题解决过程.基于此认识,我们提出了一个对问题进行自动分类的参与者推荐方法.在该方法中,利用了Atten-3CNN深度学习模型进行问题分类,达到了较高的准确度.在问题分类的基础上,我们构建了开发者的问题偏好模型,并计算问题与开发者的匹配程度从而实现回答者推荐.在实际数据上的实验结果表明,加入问题类别到问题特征向量后,显著提高了问题类型敏感人群参与问题推荐效果.