Jul, 2018

基于跨项目和技术经验的 GitHub 代码审查者推荐

PDF
TL;DR本文提出了一种考虑到开发者特定技术专业性的代码审查者推荐技术，该技术利用外部库经验等关联历史，可提供高达 85%-92% 的准确性，86% 的精度和 79%-81% 的召回率，为代码审查提供高效帮助。
发现论文，激发创造
  • 源代码评审人员推荐的大规模研究

    本文通过在 Github 和 Gerrit 代码仓库中挖掘数据进行大规模实验比较两种主要的代码审查员推荐算法 (RevFinder 和基于朴素贝叶斯的方法) 的性能，以确定最佳的代码审查员。我们发现：1）没有一个模型适用于所有项目；2）不同的代码仓库会对推荐结果产生影响；3）利用 Gerrit 中可用的子项目信息可以改善推荐结果。

    Jun, 2018

  • 使用大规模异构图表示学习为微软提供代码审查建议

    介绍了一种基于 SOCIO 技术图和图卷积神经网络的代码审查人员推荐新方法 CORAL，该方法可以找到传统推荐器遗漏的相关资格审查员，并对大型项目进行优化，而小型项目则建议采用传统方法。

    Feb, 2022

  • 开源软件开发者的代码推荐

    本文提出了一种新的代码推荐框架 CODER，通过建立异构图并对文件结构进行聚合，实现了微观用户－代码交互和宏观用户 - 项目交互的联合建模，进而预测开源软件开发者的未来贡献行为。该框架在多种实验设置下（包括项目内、跨项目和冷启动推荐）都取得了优异的性能表现，作者还构建了三个大规模的数据集，以促进未来的研究方向。

    Oct, 2022

  • 利用大规模预训练技术自动化代码审查活动

    该研究提出利用预训练技术来自动化代码审查，使用 4 项专门为代码审查场景定制的预训练任务，建立了包含 9 种流行编程语言的大规模真实世界代码变更和代码审查数据集，并创建了基于这些数据的高质量基准数据集，针对与代码审查活动相关的 3 个关键任务进行评估，实验结果显示，该模型在所有任务中优于先前的最先进的预训练方法。

    Mar, 2022

  • 面向审稿人推荐系统的提交感知评审人画像

    本文提出了一种基于上下文学习的评审人匹配方法，解决了用主题建模进行评审者指派时主题上下文信息丢失和难以解释的问题，并在实验中取得了显著的精度提高。

    Nov, 2022

  • 代码审查预测模型中的团队相关特征

    现代代码审查是一种非正式的工具辅助质量保证实践，可以通过使用团队相关特征来提高代码评审人员推荐器的性能，并评估过去数据的使用量对建立具有可接受性能的预测模型的影响。

    Dec, 2023

  • 现代代码审查中的人工智能辅助编码实践评估

    AutoCommenter 是一个自动学习和执行编码最佳实践的系统，针对四种编程语言进行了实现和评估，结果表明其对开发者工作流程有积极影响，并述及了在大规模部署中所面临的挑战和相应的经验教训。

    May, 2024

  • paper2repo: 学术论文的 GitHub 代码库推荐

    本文介绍了一种名为 paper2repo 的创新性基于 GCN 的跨平台推荐系统，利用自动标记和机器学习方法在 GitHub 和 Microsoft Academic 上匹配相似的论文和 repo，并取得了比其他现有推荐方法更好的性能。

    Apr, 2020

  • 代码馆：一个软件包推荐系统

    本文介绍了开源库的推荐引擎 Librarian，使用基于 CodeBERT 的模型分析源代码的上下文，根据程序中导入的库和开发者的实现建议候选库，以达到缩短软件开发周期的目的。

    Oct, 2022

  • 代码生成的编码器评审重新排名

    通过添加 Reviewer 模型来限制生成代码的多样性并对生成结果进行评估，从而改善了常见的代码生成算法中对退化方案的倾向，实验结果表明，这种算法实现简单且泛化性强，有望在某些情况下取代最小贝叶斯风险方法。

    Nov, 2022