[发明专利]面向多源软件开发数据融合的开发者画像建模方法

摘要

本发明涉及面向多源软件开发数据融合的开发者画像建模方法。本发明从GitHub中的README.md、代码文本和Stack Overflow中Answers中的代码文本、Answers中的描述文本提取特征和API，计算出特征的相似度和API的相似度，再计算两者的综合相似度，并排序，综合相似度大于某一个值(θ)时，即认为GitHub的developer1与Stack Overflow的developer2为同一用户，把属于同一用户的数据进行融合，分别将开发者的技能、活动、开发者与代码的关系、开发者与开发者之间的关系挖掘出来，用画像综合表示出来。本发明克服了无法为全面完成软件工程任务提供推荐的缺陷。本发明利用多源数据，开发者与代码结合，对开发者的画像进行建模。

主权项

面向多源软件开发数据融合的开发者画像建模方法，其特征在于如下步骤：步骤1).收集GitHub中的数据，对GitHub的信息进行文本提取，提取所有项目中的README.md，将README.md进行自然语言处理，使用命名实体识别技术确定文本中的单词或者短语是否为特征，使用命名实体消歧技术确定特定单词或者短语所指的具体特征，提取到的单词或短语都为特征；对GitHub信息库中的信息进行文本提取，提取所有diff中的代码文本，使用文本信息预处理技术，如分词、词根还原、去掉停用词，提取代码文本中的API；步骤2).收集Stack Overflow中的数据，对Stack Overflow的信息进行文本提取，提取Answers中的代码文本，使用文本信息预处理技术，如分词、词根还原、去掉停用词，提取代码文本中的API；对Stack Overflow的信息进行文本提取，提取Answers中的描述文本，对Answers中的描述文本进行自然语言处理，使用命名实体识别技术确定文本中的单词或者短语是否为特征，使用命名实体消歧技术确定特定单词或者短语所指的具体特征，提取到的单词或短语都为特征；步骤3).经过步骤1)后得到的特征和经过步骤2)后得到的特征进行相似度计算；经过步骤1)后得到的API和经过步骤2)后得到的API进行相似度计算；步骤4).同一用户的数据进行融合，对步骤3)中得到的特征相似度和API相似度再计算综合相似度，根据综合相似度值，判别用户的同一性。步骤5).对融合后的数据进行自然语言处理，提取commit和Answers信息，LDA(Latent Dirichlet All ocation)是一种文档主题生成模型，可利用LDA主题模型提取主题词，得到开发者的技能；步骤6).对融合后的数据进行文本提取，提取commit，issue，questions，Answers等描述文本，利用LDA主题模型，按照日期提取主题词，得到开发者在某一天的活动；步骤7).对融合后的数据进行文本提取，提取代码文本，使用文本信息预处理技术，如分词、词根还原、去掉停用词，提取代码文本中的API，建立开发者与代码的关系；步骤8).对融合后的数据进行文本提取，提取commit，issue，questions，Answers等描述文本，利用文本处理提取开发者，组建软件开发者的网络关系，开发者建立关系边的类型有：参加过同一个项目，Stars，Following，Followers，回答过同一个问题，对答案进行评论；步骤9)将步骤5)得到的技能、步骤6)得到的活动、步骤7)得到的开发者与代码之间的关系、步骤8)得到的开发者与开发者之间的关系结合起来，最终生成开发者画像。