Trustie - 确实激发创新

登录注册

Issue知识关联研究数据集

张洋开发数据开发过程 4.1 KB 2019-05-25 17:07

本数据集是SoftwareMining@ASE2018论文《[Within-Ecosystem Issue Linking: A Large-scale Study of Rails](https://www.researchgate.net/publication/326711070_Within-Ecosystem_Issue_Linking_A_Large-scale_Study_of_Rails)》和中国科学期刊论文《[A Novel Approach for Recommending Semantically Linkable Issues in GitHub Projects](http://engine.scichina.com/publisher/scp/journal/SCIS/doi/10.1007/s11432-018-9822-1?slug=abstract)》的分析研究数据以及核心代码。

#####数据背景

[GFM技术](https://guides.github.com/features/mastering-markdown/)：在GitHub上，用户所有用文字输入的功能都可以用GitHub Flavored Markdown （GFM）语法进行描述，这使得开发人员在提交Issue或PR报告、评论时能够便捷地编辑文本格式和内容。此外，它还有一个很特别的功能，就是能够将开发者输入的“@用户名”或“#编号”，自动地识别为URL链接并连接到对应用户主页或仓库内对应Issue/PR页面页面（通过输入“用户名/仓库名#编号”）。这些功能使得开发人员可以在Issue或PR的文本描述以及评论中方便地定位或提醒相关开发人员、引用相关资源或数据，使交流更加有效率。

[词嵌入模型](https://en.wikipedia.org/wiki/Word_embedding)：测量两个文本的语义相似度是一类经典的研究问题，现有的解决模型也从向量空间模型（例如TF-IDF）、n-gram语言模型、主题建模（例如LDA）向更多的基于人工神经网络的语言模型发展。在2013年，Mikolov等人提出了两个基于人工神经网络的语言模型，分别是continuous bag-of-words和continuous skip-gram，并针对大规模文本数据提出了有效的负采样（negative sampling）方法。词嵌入模型（word embedding）是自然语言处理领域非常著名的深度学习模型，它主要将每个单词映射到n维的向量空间。词嵌入模型主要基于这样的假设，即出现在相似上下文的单词间通常会有相似的语义。因为表征单词的每个维度都代表着单词的语义或语法特征，因此越相似的两个单词会在向量空间中具有越近的向量距离。

#####数据来源
该数据集收集自[Github](https://github.com)。主要包括Rails生态相关项目900多个以及它们的Issue开发知识数据。

#####数据格式
1.研究数据部分
实验数据：项目基本信息数据，Issue模型数据
模型代码：Issue解决时间模型，讨论长度模型

2.自动关联方法部分
训练代码：linkModel_trains.py
测试代码：linkModel_test.py

#####数据应用
用户可以使用该数据集进一步探索GitHub中Issue开发知识的关联特征、模式，优化自动Issue知识关联方法，帮助提高软件开发的效率。

#####数据下载
数据下载地址：[GitHub版本库](https://github.com/yangzhangs/ecolinking_replication)

附件：

( 4.238 KB) 张洋, 2019-05-25 17:06

Trustie(确实)
QQ群：1071514693