Feb, 2022

使用大规模异构图表示学习为微软提供代码审查建议

PDF
TL;DR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。
code reviewreviewer recommendation systemsocio-technical graphgraph convolutional neural networksoftware development
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

  • 基于跨项目和技术经验的 GitHub 代码审查者推荐

    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。

    Jul, 2018

  • 异构图上层次表示学习的跨语言引文建议

    本研究提出了一种新颖的方案，通过异构图上的分层表示学习来进行跨语言引用推荐，可以优化出在图上定位重要的跨语言邻域的概率，实验结果显示该方法不仅可以超越现有的基线模型，而且可以提高跨语言引用推荐任务的表现。

    Dec, 2018

  • 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

  • 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

  • 使用分层透明表示法的多标签分类方法，应用于文章审核员推荐

    本文提出了一种多标签分类的方法，使用分层透明表示方法，并提出了一种简单的基于多标签的评审人分配策略，以选择适当的评审人，同时还在粗粒度的粒度中探索了论文 - 评审人推荐。

    Dec, 2019

  • Microsoft Academic 可扩展的混合研究论文推荐系统

    介绍了微软学术使用的大规模混合论文推荐系统的设计和方法论，并通过用户研究评估了生成的推荐结果的质量，发现需要进一步改进基于内容的推荐精度。

    May, 2019

  • 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

  • 欺诈者团伙检测的时空图表示学习

    本文提出了一种使用 HIN-RNN 和 Graph Convolution Network 的方法，以解决在静态网络中排除异常点评论者的问题，并在 Yelp 和 Amazon 数据集上将其与其他最近的方法进行了比较实验，结果证明这种方法具有更高的精度、召回率和 F1 值。

    Jan, 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