考慮開發(fā)者興趣遷移的開源項(xiàng)目推薦方法

趙佳斌，趙海燕，曹 健，陳慶奎

1(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院 上海市現(xiàn)代光學(xué)系統(tǒng)重點(diǎn)實(shí)驗(yàn)室光學(xué)儀器與系統(tǒng)教育部工程研究中心，上海 200093) 2(上海交通大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)系，上海 200030)

1 引 言

開源軟件已經(jīng)成為軟件開發(fā)與應(yīng)用中的重要模式.隨著開源項(xiàng)目托管系統(tǒng)如GitHub等的發(fā)展和普及，使得開源項(xiàng)目的數(shù)量大幅增加，開源社區(qū)也隨之受益.在開源項(xiàng)目托管系統(tǒng)中，開發(fā)者可以對感興趣的項(xiàng)目關(guān)注、分叉[1]，在完成了一個(gè)功能的開發(fā)或者漏洞的修復(fù)后可進(jìn)行提交.開源社區(qū)通過分叉和pull-request將項(xiàng)目的修改與整合功能分開，這樣的模式吸引了大量的開發(fā)者，也便于他們參與貢獻(xiàn)[2，3].開發(fā)者也可以創(chuàng)建自己的公共倉庫，吸引其他的開發(fā)者參與貢獻(xiàn).因此，開發(fā)者的積極參與造就了許多繁榮的開源社區(qū).

開發(fā)者參與開源項(xiàng)目有著不同的需求和目的，例如專業(yè)的軟件開發(fā)人員會(huì)尋找新的編程挑戰(zhàn)或者是商業(yè)機(jī)會(huì)，而初學(xué)者會(huì)利用社區(qū)中的優(yōu)質(zhì)資源來學(xué)習(xí)新的技能、提高能力等[4].為了尋找適合自己并有興趣的項(xiàng)目，開發(fā)者需要花費(fèi)時(shí)間在大量的項(xiàng)目中進(jìn)行尋找和決策.為了給這些開發(fā)者提供幫助，開源項(xiàng)目推薦系統(tǒng)，它能幫助開發(fā)人員有效地發(fā)現(xiàn)那些潛在的、他們感興趣的開源項(xiàng)目.近年來，不少研究者提出了針對開源項(xiàng)目的推薦方法，如基于協(xié)同過濾的方法[6].然而，區(qū)別于傳統(tǒng)的電子商務(wù)推薦系統(tǒng)，開發(fā)者通常不會(huì)對大量的開源項(xiàng)目貢獻(xiàn)，這就使得開發(fā)者-項(xiàng)目的關(guān)聯(lián)矩陣較為稀疏.因此，研究者提出了根據(jù)開發(fā)者的行為對開發(fā)者的興趣進(jìn)行建模的方法[7，8]，考慮項(xiàng)目的編程語言、主題等對開發(fā)者興趣建模的方法[9，10]等.這些方法的核心是基于開發(fā)者的歷史項(xiàng)目來對開發(fā)者進(jìn)行興趣建模.

然而，開發(fā)者在開源社區(qū)中的興趣是發(fā)生變化的.例如，出于能力拓展的需要，開發(fā)者可能會(huì)在小規(guī)模的開源項(xiàng)目中得到鍛煉后，切換到更大規(guī)模的項(xiàng)目.又如，新的編程語言出現(xiàn)后，開發(fā)者可能會(huì)進(jìn)入該語言的開源項(xiàng)目.目前提出的方法通過對一個(gè)開發(fā)者的歷史項(xiàng)目進(jìn)行分析難以反映其興趣遷移.

本文提出了一種混合方法來揭示開發(fā)者群體中存在的興趣遷移，首先對開源項(xiàng)目采用概率主題模型的方法進(jìn)行主題建模，其次對其中存在的主題順序模式進(jìn)行挖掘從而形成開發(fā)者群體的興趣遷移模式.在此基礎(chǔ)上，可以根據(jù)開發(fā)者的歷史項(xiàng)目信息預(yù)測其感興趣的項(xiàng)目，然后結(jié)合開發(fā)者的社交關(guān)系及項(xiàng)目流行度這兩項(xiàng)特征對候選池中的項(xiàng)目做排序進(jìn)而實(shí)現(xiàn)最相關(guān)的前N個(gè)開源項(xiàng)目的推薦.

2 相關(guān)工作

推薦系統(tǒng)已經(jīng)存在了很長一段時(shí)間了，軟件工程中的推薦系統(tǒng)近年來也逐漸得到了重視，為開發(fā)者推薦開源項(xiàng)目也引起了研究者的興趣.

協(xié)同過濾是推薦系統(tǒng)的重要算法之一，它基于如下假設(shè)：如果兩個(gè)用戶執(zhí)行相似的操作，那么他們也更有可能以相同的方式執(zhí)行其他操作.文獻(xiàn)[5]就采用了協(xié)同過濾的推薦思想，他們根據(jù)開發(fā)者行為構(gòu)建了用戶行為矩陣，如果開發(fā)者參與過該項(xiàng)目則評(píng)分為1，否則為0.然后，基于項(xiàng)目協(xié)同過濾方法進(jìn)行TopN推薦.由于該矩陣的高度稀疏性，其實(shí)際性能不高.

為了揭示什么類型的行為數(shù)據(jù)適合用于項(xiàng)目推薦，文獻(xiàn)[6]中分析了在GitHub開源社區(qū)中開發(fā)者的多種不同行為，這些行為主要包括了分叉、關(guān)注、問題評(píng)論、推拉請求、成員等.在經(jīng)定量和定性的實(shí)驗(yàn)分析后，他們發(fā)現(xiàn)分叉行為適合推薦相關(guān)項(xiàng)目.文獻(xiàn)[7]進(jìn)一步研究了開發(fā)者的分叉行為.分叉行為主要用于對原項(xiàng)目進(jìn)行貢獻(xiàn)，調(diào)查結(jié)果顯示42%的開發(fā)者表示自動(dòng)化推薦功能能夠有效幫助他們選擇項(xiàng)目進(jìn)行分叉操作；分叉的主要原因是開發(fā)者想要修改項(xiàng)目發(fā)起推拉請求并對項(xiàng)目做貢獻(xiàn)；分叉行為不會(huì)產(chǎn)生不正當(dāng)競爭以及版本兼容性問題.他們的工作為開源社區(qū)中的項(xiàng)目個(gè)性化推薦提供了新的見解.文獻(xiàn)[8]采用了一種結(jié)合開發(fā)人員行為以及項(xiàng)目特征的推薦方法，從項(xiàng)目所包含的描述文件在內(nèi)的多種不同文件中提取項(xiàng)目特征進(jìn)而構(gòu)建項(xiàng)目相似矩陣，通過開發(fā)者行為構(gòu)建開發(fā)者項(xiàng)目關(guān)聯(lián)矩陣，同時(shí)還考慮了開發(fā)者反饋來提高推薦的準(zhǔn)確率.

開源項(xiàng)目的內(nèi)容特征也可以用于揭示開發(fā)者的興趣.文獻(xiàn)[9]使用了協(xié)同主題回歸的方式即結(jié)合用戶矩陣的傳統(tǒng)協(xié)同過濾與文本語料庫上的概率主題建模.文中提到的方法還為開發(fā)者和項(xiàng)目提供了高度可解釋的潛在結(jié)構(gòu).文獻(xiàn)[10]考慮了開源項(xiàng)目中出現(xiàn)的編程語言、主題和自述文檔，提出了一種混合方法來生成開源項(xiàng)目的推薦，最終的項(xiàng)目相似性為3種不同相似性的線性組合.具體做法是分別構(gòu)建語言向量、主題向量和項(xiàng)目自述文件向量，同時(shí)也為開發(fā)者構(gòu)建在這3個(gè)特征上的向量，然后計(jì)算得到最終的項(xiàng)目排序.文獻(xiàn)[11，12]主要關(guān)注項(xiàng)目的描述及源代碼來推薦開源項(xiàng)目，忽略了開發(fā)者的個(gè)性化需求.文獻(xiàn)[13]則用到了關(guān)聯(lián)規(guī)則挖掘的思想并結(jié)合了協(xié)同過濾，使用關(guān)聯(lián)規(guī)則挖掘共同參與的項(xiàng)目，而協(xié)同過濾被用于確定相似的項(xiàng)目.文獻(xiàn)[14]提出了一種基于深度學(xué)習(xí)的項(xiàng)目推薦方法，采用自動(dòng)編碼器來學(xué)習(xí)開發(fā)者與開源項(xiàng)目的向量表示.

不同于上述的工作，本文關(guān)注開發(fā)者在參與不同開源項(xiàng)目中存在的興趣遷移模式，提出了一種基于項(xiàng)目主題遷移頻繁模式挖掘的推薦算法.

3 基于項(xiàng)目主題遷移頻繁模式挖掘的推薦算法

3.1 算法思想

本文提出的算法關(guān)注了開發(fā)者參與不同開源項(xiàng)目的行為序列，在選擇項(xiàng)目的過程中會(huì)存在一定的規(guī)律和模式，通過主題建模的方式將開發(fā)者所參與的開源項(xiàng)目映射到不同的主題，由此開發(fā)者參與的項(xiàng)目序列轉(zhuǎn)化為主題序列；對不同的主題序列進(jìn)行順序模式挖掘，找到社區(qū)中開發(fā)者在選擇項(xiàng)目時(shí)的順序頻繁主題模式；然后用一種打分機(jī)制對產(chǎn)生的候選項(xiàng)目進(jìn)行打分，具體來說就是融合開發(fā)者社交關(guān)聯(lián)和項(xiàng)目流行度對項(xiàng)目進(jìn)行綜合打分，最后將得分最高的前N個(gè)項(xiàng)目作為最終的推薦結(jié)果.方法框架如圖1所示.

圖1 算法框架Fig.1 Algorithm framework

3.2 項(xiàng)目主題抽取

在該方法中，首先對開源項(xiàng)目的主題進(jìn)行挖掘，將類似的項(xiàng)目映射到同一個(gè)主題.用到的方法是LDA(Latent Dirichlet Allocation)概率主題模型，它是對文本隱含主題的一種建模方法，其主要功能是將文檔-詞匯矩陣轉(zhuǎn)化成文檔-主題分布和主題-詞匯分布.3層貝葉斯主題模型通過無監(jiān)督的學(xué)習(xí)方法發(fā)現(xiàn)文本所含主題，其基本思想就是文檔可以表示成一系列主題的混合分布.LDA模型的生成過程如圖2所示：1)對每篇文檔，從主題分布中提取一個(gè)主題；2)從該主題所對應(yīng)的單詞分布中抽取一個(gè)單詞；3)重復(fù)上述操作，直至遍歷整篇文檔.算法的輸入：分詞后為文檔集，超參數(shù)α，η.算法的輸出為：1)文檔中每個(gè)詞被分配的主題編號(hào)；2)文檔的概率概率主題分布；3)每個(gè)主題下詞的概率分布；4)每個(gè)主題下概率從高到低排序的特征詞.

圖2 LDA概率主題生成模型Fig.2 LDA probabilistic topic generation model

圖2中α，η為分布的超參數(shù)，θd表示對于任意文檔d的主題分布，βk對任意主題k的詞分布，文檔主題的先驗(yàn)分布和主題中詞的先驗(yàn)分布均為Dirichlet分布.Zd，n表示對文檔d中的第n個(gè)詞在θd下得到的主題編號(hào)，wd，n表示在Zd，n主題編號(hào)下詞的概率分布.其中的核心公式如公式(1)所示，公式中以主題t作為中間層，通過當(dāng)前的θd和βk給出了文檔d中出現(xiàn)單詞w的概率，用θd計(jì)算得到p(t|d)，用βk計(jì)算得到p(w|t).

p(w|d)=p(w|t)*p(t|d)

(1)

為了抽取開源項(xiàng)目的主題，對融合了開源項(xiàng)目描述、標(biāo)簽和開發(fā)語言的文本文檔做基于LDA的概率主題建模，從而將項(xiàng)目對應(yīng)的文本轉(zhuǎn)化成了若干主題的分布.首先對文本做預(yù)處理，包括分詞、去除標(biāo)點(diǎn)、去停用詞、詞干還原等；其次，將經(jīng)過預(yù)處理的文本用TF-IDF做文本向量化，然后進(jìn)行LDA主題建模，輸出項(xiàng)目對應(yīng)的概率主題分布.

LDA是一個(gè)概率主題模型，為了更多地保留項(xiàng)目的特征信息，本文在選出了每個(gè)項(xiàng)目最貼切的一個(gè)主題的基礎(chǔ)上，設(shè)置了一個(gè)閾值.具體做法是，將項(xiàng)目所對應(yīng)的多個(gè)主題分布按概率大小做排序保留大于該閾值的主題.如此，一個(gè)項(xiàng)目可能只對應(yīng)一個(gè)主題，也可能對應(yīng)多個(gè)主題.

3.3 主題順序頻繁模式挖掘

數(shù)據(jù)集中頻繁出現(xiàn)的項(xiàng)集、序列或子結(jié)構(gòu)稱之為頻繁模式，經(jīng)常被用于購物籃分析、網(wǎng)頁日志分析等.本文采用順序頻繁模式挖掘的方法對項(xiàng)目的主題的序列模式進(jìn)行挖掘.開發(fā)者的偏好變化通過參與項(xiàng)目的行為序列來凸顯，通過對開發(fā)者參與項(xiàng)目序列的主題的挖掘可以預(yù)計(jì)開發(fā)者在參與了某一主題的項(xiàng)目后會(huì)接著參與哪個(gè)主題對應(yīng)的項(xiàng)目.

對開源項(xiàng)目完成主題建模后，開發(fā)者原本參與項(xiàng)目的行為序列由轉(zhuǎn)化為<{topic11，topic12， …，topic1k1}，{topic21，topic22， …，topic2k2}，…，{topicn1，topicn2， …，topicnkn}>，其中repoi表示開發(fā)者參與的項(xiàng)目名，topicij表示項(xiàng)目i對應(yīng)的第j個(gè)主題，并且假設(shè)每個(gè)項(xiàng)目取kn個(gè)主題.本文對其中存在的順序頻繁主題模式進(jìn)行

圖3 GSP算法流程Fig.3 GSP algorithm flow

挖掘.順序頻繁模式挖掘的主要任務(wù)是找到數(shù)據(jù)庫中存在的所有順序模式，即在序列集合中出現(xiàn)頻率超過最小支持度的子序列.常用到的算法是GSP(Generalized Sequential Pattern mining algorithm)[16]算法，該算法增加了掃描過程中的條件約束包括時(shí)間、滑動(dòng)窗口和分類層次，是一種基于優(yōu)先級(jí)原則的算法，其中用來存儲(chǔ)的數(shù)據(jù)結(jié)構(gòu)為哈希樹.算法的輸入是主題序列數(shù)據(jù)、最小支持度閾值，輸出是順序頻繁模式.

GSP算法的主要流程如圖3所示.

但是，本文需要挖掘的序列是由數(shù)量不等的主題構(gòu)成的集合序列.因此，結(jié)合本文所涉及問題的特點(diǎn)，對GSP算法進(jìn)行修改.在其基礎(chǔ)上本文提出了GSP-SS(GSP for Set Sequences)算法.在主題建模的過程中，一個(gè)項(xiàng)目對應(yīng)了多個(gè)主題，例如項(xiàng)目i，在經(jīng)閾值篩選后它的第1主題為topic52，第2主題為topic16，第3主題為topic44，采用GSP-SS算法在得到順序頻繁模式的同時(shí)也會(huì)得到該頻繁模式所對應(yīng)的重要度.

GSP-SS算法偽代碼如下：

輸入：項(xiàng)目所對應(yīng)的主題序列數(shù)據(jù)，最小支持度閾值；

輸出：主題順序模式Li及其重要度.

1.C1←init-pass(S)；//遍歷輸入數(shù)據(jù)并產(chǎn)生1頻繁模式

2.topicSupportArray=[repo1：[0，0，…，0k1]，repo2：[0，0， …，0k2]， … ，repon：[0，0，…，0kn].]

//空數(shù)組topicSupportArray保存重要度

3.L1←{<{l}>|l∈C1，Count(l)/n≥min_sup}；

//最小支持度閾值的判斷

4.for(i=2，Li-1≠Φ，i++)do

5.Ci←generate-candidate-SPM(Ci-1)

//產(chǎn)生k-頻繁序列模式

6.foreachs∈Sdo

7.foreachc∈Cido

8.ifcis contained insthen

9. Count(c)++；//c的支持度

10.fortopicinc：

11.topicSupportArray[s.index][c′sindexins]++ //每出現(xiàn)一次重要度計(jì)數(shù)加1

12.endfor

13.endfor

14.Li={c∈Ci|Count(c)≥min_sup}；

15.endfor

16. sort(topicSupportArray[data sequence index：])

//交換key，value；key填回topic

函數(shù)generate-candidate-SPM(Ci-1)偽代碼如下：

To generateCk//產(chǎn)生大小為k的候選項(xiàng)

1. Join step.

si′=si-1st //-1st，表示去掉第一個(gè)元素項(xiàng)

sj′=sj-Last //-Last，表示去掉最后一個(gè)元素項(xiàng)

ifsi′==sj′do

s←Joinsi′ andsj′ // 做連接操作

2. Prune step

ifany subsequence ofck-1is not infrequent

deleteck-1//做剪枝操作

S為主題序列數(shù)據(jù)，Ck為候選k-頻繁序列模式，Lk為候選k-頻繁序列模式.

GSP-SS算法說明：對產(chǎn)生的主題序列S數(shù)據(jù)庫進(jìn)行掃描，得到長為1-主題順序模式L1并做最小支持度判斷將其作為初始種子集；對L1做連接操作并判斷是否滿足最小支持度，產(chǎn)生2-主題順序模式；用L2做連接操作產(chǎn)生3-主題順序模式，其中會(huì)有剪枝操作和最小支持度判斷；然后用3-順序主題模式L3挖掘直到不產(chǎn)生候選項(xiàng).在挖掘的過程中設(shè)置了數(shù)組topicSupportArray來存放所挖掘出主題模式的重要度，最后在得到主題順序模式的同時(shí)附帶將其重要度一并輸出.其中完成連接操作和剪切操作的generate-candiate-SPM是該算法的核心.連接階段：對于兩個(gè)順序模式Si和Sj，如果刪除Si的第一個(gè)項(xiàng)目得到序列與刪掉Sj的最后一個(gè)項(xiàng)目所得序列相同.那么對Si和Sj做連接操作.剪切階段：對于任意一個(gè)序列模式，如若它的子序列不是序列模式，那么這個(gè)序列模式就不可能成為序列模式，將其剪切即刪除掉.

3.4 開發(fā)者社交特征及項(xiàng)目流行度建模

3.4.1 開發(fā)者社交關(guān)聯(lián)

不同于企業(yè)有組織的軟件開發(fā)團(tuán)隊(duì)，開源軟件團(tuán)隊(duì)具有多樣性和流動(dòng)性，通常以自組織[17]的方式參與到軟件項(xiàng)目開發(fā)中.Github開源社區(qū)提供了包括@、關(guān)注和評(píng)論等多種方式方便開發(fā)人員溝通和交流.

通過使用關(guān)注功能，開發(fā)者能關(guān)注自己感興趣的開發(fā)者，關(guān)注開發(fā)者能看到他們以往及近期的實(shí)踐工作，了解他們在相關(guān)領(lǐng)域的貢獻(xiàn)以及研究.通過評(píng)論功能，開發(fā)者們能夠在不同問題下展開討論進(jìn)而解決問題.對自組織網(wǎng)絡(luò)的研究表明，相較于新的合作，人們更喜歡重復(fù)合作，因?yàn)樗麄冋J(rèn)為這樣的合作往往更有凝聚性.文獻(xiàn)[18]研究了社會(huì)化因素對GitHub這個(gè)新興生態(tài)系統(tǒng)的影響，包括開發(fā)團(tuán)隊(duì)的形成已經(jīng)開發(fā)人員的遷移等.其中社交關(guān)系的強(qiáng)度會(huì)影響開發(fā)者的選擇，開發(fā)人員會(huì)優(yōu)先加入存在社交聯(lián)系的項(xiàng)目.有社交關(guān)聯(lián)的開發(fā)者們往往具有類似的興趣點(diǎn)，同時(shí)基于先前的互動(dòng)或合作，開發(fā)人員對彼此的技能和社交習(xí)慣都有更多地了解.因此，本文將開發(fā)者的社交關(guān)系作為開源項(xiàng)目推薦過程中考慮的因素之一.

GitHub中所提供的項(xiàng)目issue功能是一種輕量級(jí)的協(xié)作系統(tǒng)，在issue comment下可以進(jìn)行內(nèi)容豐富的交流，主要針對問題解決、項(xiàng)目存在的Bug和下一項(xiàng)功能的增加等展開討論.GitHub定義了pull-request為一種通知機(jī)制即你修改了他人的代碼希望原作者能合并你的修改，用pull-request來通知作者.它是一種軟件開發(fā)合作方式，將不同功能的代碼通過這一流程納入到項(xiàng)目主干.通過其自帶的評(píng)論功能對所提交的修改進(jìn)行討論、測試并決定是否將其合并.根據(jù)社區(qū)中的參與同一個(gè)issue問題評(píng)論、同一個(gè)pull-request評(píng)論來構(gòu)建每位開發(fā)者的社交關(guān)系.對于開發(fā)者u，其候選項(xiàng)目池中的項(xiàng)目i的社交關(guān)系計(jì)算如公式(2)所示：

Social(u，i)=n(uinteract)

(2)

其中n(uinteract)表示在項(xiàng)目i中與之有過互動(dòng)的開發(fā)者數(shù)量.

3.4.2 項(xiàng)目流行度

在開源社區(qū)中，也存在“馬太效應(yīng)”，相比于那些冷門的項(xiàng)目，活躍的、受關(guān)注度高的開源項(xiàng)目更容易吸引開發(fā)者.在每個(gè)GitHub項(xiàng)目頁面的右上方有watch、star、fork這3個(gè)不同的按鈕.其中的star更像是“點(diǎn)贊”，因此本文選擇了關(guān)注和分叉的數(shù)量來評(píng)價(jià)一個(gè)項(xiàng)目的流行與否.

Watch(關(guān)注)的數(shù)量，對于他人的項(xiàng)目默認(rèn)都是Not watching的狀態(tài)，當(dāng)開發(fā)者對該項(xiàng)目感興趣時(shí)就能選擇關(guān)注該項(xiàng)目的所有動(dòng)態(tài)，例如該項(xiàng)目有開發(fā)者提交pull request、提出了issue等，便能從系統(tǒng)推送中了解該項(xiàng)目發(fā)生的一切動(dòng)態(tài)變化.所以項(xiàng)目擁有的關(guān)注者數(shù)量能反應(yīng)其受用戶關(guān)注程度.

Fork(分叉)的數(shù)量，當(dāng)你有了對一個(gè)項(xiàng)目做貢獻(xiàn)的想法包括增加新功能、漏洞修復(fù)或者在該項(xiàng)目的基礎(chǔ)上開發(fā)一個(gè)自己的版本，可以點(diǎn)擊fork按鈕得到一份原項(xiàng)目的副本.

結(jié)合關(guān)注和分叉這兩者的數(shù)量來計(jì)算項(xiàng)目的流行度，對兩者者的數(shù)量歸一化后進(jìn)行求和.對于項(xiàng)目i的流行度，計(jì)算公式如公式(3)所示：

pop(i)=nor(n(iwatch))+nor(n(ifork))

(3)

其中n(iwatch)表示項(xiàng)目i關(guān)注者的數(shù)量，n(ifork)表示項(xiàng)目i分叉者的數(shù)量，nor()表示歸一化計(jì)算函數(shù).

3.5 推薦方法

通過概率主題建模的方法將開發(fā)者參與的開源項(xiàng)目映射成主題序列，將訓(xùn)練集中的開發(fā)者參與主題序列事務(wù)集記作C={C1，C2，C3，…，Cu}其中u為開發(fā)者人數(shù)，Cu表示開發(fā)者參與項(xiàng)目經(jīng)過主題泛化后得到的主題序列.將主題順序模式記作P，min_supp是最小支持度閾值，當(dāng)模式P的支持度大于min_supp則P為順序主題模式.采用GSP-SS算法對順序主題序列模式做挖掘，將開發(fā)者參與的主題序列事物集作為GSP-SS算法的輸入，設(shè)置min_supp，運(yùn)行GSP-SS程序輸出主題頻繁順序模式項(xiàng)，記作P={P1，P2，P3，…，Pj}其中j為產(chǎn)生的模式數(shù)量.

采用一個(gè)多叉樹的數(shù)據(jù)結(jié)構(gòu)來存儲(chǔ)主題模式與模式庫中的模式項(xiàng)的對應(yīng)關(guān)系.將模式的候選集記作H={HP1，HP2，HP3， …，HPj}.

對于測試集中的數(shù)據(jù)，給定開發(fā)者參與的歷史項(xiàng)目，將其映射為對應(yīng)的主題即，將其與多叉樹中存儲(chǔ)的主題模式做匹配，重復(fù)該操作得到候選推薦項(xiàng)目集合H(ri).對于產(chǎn)生的集合中的項(xiàng)目用計(jì)算評(píng)分的方法為其打分，將集合H中的項(xiàng)目按照分值做降序排列得到Top-N個(gè)推薦項(xiàng)目列表，開發(fā)者u對項(xiàng)目ri的得分計(jì)算如公式(4)所示：

S(u，ri)=α*nor(pop(i))+(1-α)*nor(social(u，i))

(4)

其中pop(i)表示項(xiàng)目的流行度，social(u，i)表示社交關(guān)聯(lián)度，α表示權(quán)重參數(shù)，nor()表示歸一化函數(shù).

算法描述如下：

輸入：開發(fā)者參與的歷史項(xiàng)目集合X，順序模式P；

輸出：Top-N推薦項(xiàng)目列表.

1.使用LDA主題模型將X轉(zhuǎn)化為C={C1，C2，C3，…，Cu}；

2.forj=1 tojdo

3.foreachCu∈Cdo

4.ifPjinCudo

5.Pj在Cu中的末尾位置記作l，從X中的第l+1個(gè)位置得到ri

6.endif

7.endfor

8.H←H∪HPj

9.endfor

10.用公式(4)為H中的項(xiàng)目打分并做降序排序

11.returnTop-N 推薦項(xiàng)目列表

4 實(shí)驗(yàn)與討論

4.1 數(shù)據(jù)集

本文使用的數(shù)據(jù)集是從GHTorrent[15]中轉(zhuǎn)儲(chǔ)得到的，GHTorrent項(xiàng)目提供了GitHub 的API數(shù)據(jù)的鏡像，可以離線查詢.它旨在用于與軟件存儲(chǔ)倉庫有關(guān)的研究與發(fā)現(xiàn).本文選取了2016-2018年間的數(shù)據(jù)，為了讓實(shí)驗(yàn)數(shù)據(jù)更具有代表性，篩選出的開發(fā)者和開源項(xiàng)目滿足如下條件：1)開發(fā)者至少參與了5個(gè)不同的開源項(xiàng)目；2)與其他開發(fā)者有過互動(dòng)即在同一個(gè)問題或推拉請求下有過討論；3)開源項(xiàng)目為原始項(xiàng)目即不是從其他項(xiàng)目分叉而來；4)開源項(xiàng)目至少有5名開發(fā)者參與過.開發(fā)者參與項(xiàng)目數(shù)據(jù)格式如：開發(fā)者編號(hào)-項(xiàng)目編號(hào)-時(shí)間戳.開源項(xiàng)目信息包含：項(xiàng)目編號(hào)、項(xiàng)目開發(fā)語言、項(xiàng)目描述和項(xiàng)目標(biāo)簽.經(jīng)篩選后得到了開發(fā)者數(shù)量18399個(gè)，開源項(xiàng)目數(shù)量23076個(gè).根據(jù)開發(fā)者參與項(xiàng)目的時(shí)間戳的先后順序來創(chuàng)建開發(fā)者參與項(xiàng)目序列數(shù)據(jù)，根據(jù)項(xiàng)目開發(fā)語言、項(xiàng)目描述和項(xiàng)目標(biāo)簽來創(chuàng)建項(xiàng)目文檔數(shù)據(jù)用作主題建模.

關(guān)于訓(xùn)練集和測試集的劃分.本文將開發(fā)者近一年參與的項(xiàng)目作為測試集用作實(shí)驗(yàn)的預(yù)測數(shù)據(jù)，剩余的其他數(shù)據(jù)用作實(shí)驗(yàn)?zāi)Ｐ偷挠?xùn)練數(shù)據(jù).

4.2 評(píng)價(jià)指標(biāo)采用召回率

考慮到本文的推薦場景為Top-N的前N個(gè)項(xiàng)目的推薦即向開發(fā)者提供一個(gè)推薦的列表讓其進(jìn)行選擇，故采用了召回率Recall來評(píng)價(jià)所提算法的推薦效果.召回率表示用戶感興趣的項(xiàng)目被推薦系統(tǒng)成功推薦的概率，計(jì)算公式如公式(5)所示：

(5)

其中R(u)為根據(jù)開發(fā)者u在訓(xùn)練集上的表現(xiàn)向其推薦的項(xiàng)目集，T(u)為開發(fā)者u在測試集上參與過的項(xiàng)目集.

4.3 基準(zhǔn)推薦算法

本文選擇了3種常見的推薦算法作為對比方法.

1)基于項(xiàng)目流行度的推薦方法，該方法圍繞項(xiàng)目“熱度”展開，將對用戶有著強(qiáng)吸引力的項(xiàng)目推薦給其他開發(fā)者.采用這一方法做推薦的主要工作就是計(jì)算每個(gè)項(xiàng)目的流行度，推薦列表為開發(fā)者未曾參與過的流行的Top-N個(gè)開源項(xiàng)目；

2)基于用戶的協(xié)同過濾推薦[19]，這個(gè)算法通常分為兩個(gè)步驟，首先找到與目標(biāo)開發(fā)者相似的若干開發(fā)者，然后將這個(gè)集合中開發(fā)者參與過的但目標(biāo)開發(fā)者未曾參與的項(xiàng)目作為推薦列表.設(shè)置最相似的開發(fā)者數(shù)量K=20，相似度計(jì)算采用余弦相似性；

3)基于內(nèi)容的推薦算法，根據(jù)開發(fā)者做過的項(xiàng)目描述、開發(fā)語言及標(biāo)簽來推薦類似的開源項(xiàng)目，采用文本處理方法：詞頻-逆文檔頻率(TF-IDF)將文本向量化隨后計(jì)算項(xiàng)目之間的余弦相似度，推薦列為與其最相似的Top-N個(gè)項(xiàng)目.

本文所提推薦的推薦算法，將主題個(gè)數(shù)K設(shè)置為90，主題模式挖掘中的最小支持度min_supp設(shè)置為5.

4.4 實(shí)驗(yàn)結(jié)果分析

不同推薦方法下實(shí)驗(yàn)結(jié)果如表1所示，采用的評(píng)價(jià)方法為召回率.

表1 實(shí)驗(yàn)結(jié)果表Table 1 Experiment resultTable

開發(fā)者社交特征及項(xiàng)目流行度建模中的公式(4)，不同α的取值對推薦結(jié)果的影響如圖4所示.實(shí)驗(yàn)中本文將α值設(shè)置為0.3.

圖4 α的取值對推薦結(jié)果的影響Fig.4 Value of α versus the recommended result

實(shí)驗(yàn)結(jié)果表明，當(dāng)推薦項(xiàng)目數(shù)量N值增大的時(shí)候，四種不同推薦方法的召回率均逐漸增大，說明在推薦列表中開發(fā)者感興趣的項(xiàng)目數(shù)量增多了.本文提出的基于主題模式挖掘的推薦方法在召回率上優(yōu)于其余3種對比方法，對項(xiàng)目的主題模式挖掘考慮到了開源項(xiàng)目的內(nèi)容特征，引入的評(píng)分機(jī)制兼顧了開發(fā)者的社交情況以及項(xiàng)目自身的流行度特點(diǎn)，進(jìn)而提高了推薦效果.

5 總結(jié)與展望

近年來，分布式軟件開發(fā)與社交化編程得到了人們的廣泛認(rèn)可，GitHub開源社區(qū)更是引領(lǐng)了新的開源文化.GitHub“去中心化”的開源模式，不斷彰顯和強(qiáng)調(diào)作為個(gè)體的開發(fā)者的作用，鼓勵(lì)他們對他人的項(xiàng)目做修復(fù)和改進(jìn).開源社區(qū)的壯大也使得開源項(xiàng)目的數(shù)量大幅增加，開源項(xiàng)目推薦系統(tǒng)能幫助開發(fā)者找到他們有意愿參與的項(xiàng)目.

本文提出了一種基于項(xiàng)目主題模式挖掘的推薦方法，關(guān)注了開發(fā)者在項(xiàng)目遷移過程中存在的規(guī)律，用開源項(xiàng)目的內(nèi)容特征為項(xiàng)目進(jìn)行主題建模，開發(fā)者參與項(xiàng)目的項(xiàng)目序列轉(zhuǎn)化為主題序列；隨后對其中存在的主題順序模式進(jìn)行挖掘；接著融合開發(fā)者的社交關(guān)聯(lián)和項(xiàng)目自身的流行度這兩個(gè)特點(diǎn)實(shí)現(xiàn)了Top-N個(gè)開源項(xiàng)目推薦；最后在實(shí)驗(yàn)數(shù)據(jù)集上與傳統(tǒng)推薦方法進(jìn)行對比，推薦效果得到了有效的提升.未來的工作可以關(guān)注對項(xiàng)目的主題建模和開發(fā)者在項(xiàng)目遷移過程中是選擇下一個(gè)項(xiàng)目的其他因素，考慮更多的文本內(nèi)容比如代碼所蘊(yùn)含的注釋、函數(shù)名等，有助于提高項(xiàng)目與主題的契合程度.