移动云平台下基于局部复制的结构性文档协同编辑冲突消解

本文针对移动设备存储空间和计算能力有限的特点,在移动云平台下研发设计的一款基于局部复制的结构性文档协同编辑冲突消解算法,简称MCPS算法,在其基础上进行了冲突消解内容的补充.结构性文档在日常生活中较高的使用率和云平台下科研技术的迅猛发展,以及局部复制技术的提出,为本文的研究奠定了可靠基础. MCPS算法部署在云服务器端,各协作客户端通过局部复制策略在本地参与结构性文档(本文又称标题结构文档)的协同编辑工作,且本地部分副本内容通过树结构存储.创新性的提出副本监听与活跃度两个概念来辅助判断冲突产生时操作执行的优先级,更大程度的满足多用户的意愿.该算法总结出大致6种冲突情况,在前文的基础上,补充给出另外5种冲突消解处理方法.最后通过更加详细的案例分析描述了整个策略的执行过程,证明策略的有效性和正确性.

大粒度Pull Request描述自动生成

在GitHub平台中,许多项目贡献者在提交Pull Request(PR)时往往会忽略提交PR描述,这使得提交的PR容易被评审者忽略或者拒绝.因此,自动生成PR描述以帮助项目贡献者提高PR通过率是很有必要的.然而,现有PR描述生成方法的表现会受到PR粒度影响,无法有效为大粒度的PR生成描述.因此,该工作专注于大粒度PR描述的自动生成.首先对PR中的文本信息进行预处理,将文本中的单词作为辅助节点构建词-句异质图,以建立PR语句间的联系;随后对异质图进行特征提取,并将提取后的特征输入至图神经网络进行图表示学习,通过节点间的消息传递,使句子节点学习到更丰富的内容信息;最后,选择带有关键信息的句子组成PR描述.此外,针对PR数据集缺少人工标注的真实标签而无法进行监督学习的问题,使用强化学习指导PR描述的生成,以最小化获得奖励的负期望为目标训练模型,该过程与标签无关,并且直接提升了生成结果的表现.在真实的数据集上进行了实验,实验结果表明,提出的大粒度PR描述生成方法在F1值和可读性上优于现有方法.