[發明專利]面向多源軟件開發數據融合的開發者畫像建模方法

有效

• 申請號: 201710554338.5
• 申請日: 2017-07-04
• 公開（公告）號: CN107491299B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 李斌;丁佐琳;孫小兵;周澄
• 申請（專利權）人: 揚州大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/30;G06F8/30
• 代理公司: 南京中新達專利代理有限公司 32226
• 代理人: 孫鷗;朱杰

1.一種面向多源軟件開發數據融合的開發者畫像建模方法，其特征在于如下步驟：

步驟1).收集GitHub中的數據，對GitHub的信息進行文本提取，提取所有項目中的README.md，將README.md進行自然語言處理，使用命名實體識別技術確定文本中的單詞或者短語是否為特征，使用命名實體消歧技術確定特定單詞或者短語所指的具體特征，提取到的單詞或短語都為特征；對GitHub信息庫中的信息進行文本提取，提取所有diff中的代碼文本，使用文本信息預處理技術，分詞、詞根還原、去掉停用詞，提取代碼文本中的API；

步驟2).收集Stack Overflow中的數據，對Stack Overflow的信息進行文本提取，提取Answers中的代碼文本，使用文本信息預處理技術，分詞、詞根還原、去掉停用詞，提取代碼文本中的API；對Stack Overflow的信息進行文本提取，提取Answers中的描述文本，對Answers中的描述文本進行自然語言處理，使用命名實體識別技術確定文本中的單詞或者短語是否為特征，使用命名實體消歧技術確定特定單詞或者短語所指的具體特征，提取到的單詞或短語都為特征；

步驟3).經過步驟1)后得到的特征和經過步驟2)后得到的特征進行相似度計算；經過步驟1)后得到的API和經過步驟2)后得到的API進行相似度計算；

步驟4).同一用戶的數據進行融合，對步驟3)中得到的特征相似度和API相似度再計算綜合相似度，根據綜合相似度值，判別用戶的同一性；

步驟5).對融合后的數據進行自然語言處理，提取commit和Answers信息，LDA是一種文檔主題生成模型，可利用LDA主題模型提取主題詞，得到開發者的技能；

步驟6).對融合后的數據進行文本提取，提取commit，issue，questions，Answers描述文本，利用LDA主題模型，按照日期提取主題詞，得到開發者在某一天的活動；

步驟7).對融合后的數據進行文本提取，提取代碼文本，使用文本信息預處理技術，分詞、詞根還原、去掉停用詞，提取代碼文本中的API，建立開發者與代碼的關系；

步驟8).對融合后的數據進行文本提取，提取commit，issue，questions，Answers描述文本，利用文本處理提取開發者，組建軟件開發者的網絡關系，開發者建立關系邊的類型有：參加過同一個項目，Stars，Following，Followers，回答過同一個問題，對答案進行評論；其中，Stars是開發者關注的庫，Following是開發者追隨的開發者，Followers是開發者的追隨者；

步驟9)將步驟5)得到的技能、步驟6)得到的活動、步驟7)得到的開發者與代碼之間的關系、步驟8)得到的開發者與開發者之間的關系結合起來，最終生成開發者畫像。