Nov, 2022

开放源代码项目问题跟踪系统中的任务驱动技能识别支持

PDF
TL;DR通过自动标记问题策略来帮助开源软件贡献者选择要贡献的任务，使用社交网络分析度量从问题讨论中提取新的预测量，预测 API 域标签并使用技能本体论来协助贡献者寻找合适的任务。该研究表明，标记问题并组织它们是开源软件社区中各种角色的重要策略，API-domain 标签对于经验丰富的从业者是相关的，预测具有平均精度为 75.5％。
open source softwarelabeling strategysocial network analysisapi-domain labelsskill ontology
发现论文，激发创造
  • 应用 API 域标签于问题追踪系统

    该研究讨论了利用 API 域自动标记 Open Source 软件项目中的问题，证明了 API 域对于新手选择任务的有效性，并提出了高精度的预测模型。

    Apr, 2023

  • 软件问题的自动分配和分类

    本论文提出了一种分类方法，使用一系列经过精心筛选的语言特征来识别错误的类型，并将错误分配给设计师、开发人员、测试人员和领导者这四个角色中的一个，表明了其更一般的解决方案。与深层语言模型相比，我们使用浅层机器学习模型和集成方法，并展示其在精度上的可比性。

    Jun, 2023

  • 开源软件问题讨论中信息类型的分析与检测

    通过对 GitHub 上三个项目中 15 个复杂问题讨论主题的定性内容分析，我们发现了 16 种信息类型，并创建了一个包含 4656 个句子的标记语料库。通过监督式自动分类技术，我们发现当给定问题的相关先验知识时，随机森林能够有效地使用会话特征 (如句子长度和位置) 检测大多数句子类型。当分类来自新问题的句子时，逻辑回归可以使用文本特征对某些信息类型获得令人满意的性能，但对其他信息类型则表现不足。

    Feb, 2019

  • 应用大型语言模型 API 解决问题分类问题

    该研究旨在开发一种自动化方法，通过使用 Generative Pre-trained Transformers 等模型来准确标记和优先处理问题报告，减少对大量训练数据的依赖，为软件工程中的问题优先级提供更易于获得和高效的解决方案。

    Jan, 2024

  • 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

  • MaintainoMATE：一种智能自动化维护活动的 GitHub 应用

    MaintainoMATE 是一个统一的框架，能够自动对问题报告进行分类并将其分配给具有相关专业知识的开发人员，通过学习上下文信息来提高软件质量和降低维护成本。

    Aug, 2023

  • 开源机器学习项目中实际缺陷的比较分析 -- 一篇注册报告

    研究了机器学习系统和传统软件系统之间的问题报告需求和解决过程的差异，并通过 GitHub 上的应用机器学习项目中的真实问题报告，探究了机器学习问题和非机器学习问题的解决时间和代码修改量等方面的差异。

    Sep, 2022

  • 利用标签语义在嘈杂标记下提取公司与行业匹配的更高性能

    在金融机构中，为公司分配适当的行业标签是一项关键任务，本文提出了一种基于语义相似度匹配的 ML 管道，通过使用标签相似矩阵和最小标记策略，实现了对噪声的显著改进和稳健的预测能力。

    Dec, 2022

  • 开源项目中贡献者动机的演变：再探驱动力

    通过对 242 名 OSS 贡献者的调查，研究了人们参与 OSS 的动机变化，并发现与社交和声望相关的某些动机增加了频率，而某些内在的动机，如学习和智力刺激，仍然非常相关。

    Jan, 2021

  • DSTC9 中基于任务的对话建模与非结构化知识访问跟踪的超越领域 API

    任务驱动的对话系统使用外部非结构化知识源来扩展任务领域 API 的覆盖范围，三个任务包括知识寻找、选择和响应生成，并用集成方法和大规模预训练语言模型取得了高性能。

    Jan, 2021