按应用领域自动分类GitHub仓库
软件工程
2022-08-02 v1 机器学习
摘要
GitHub是互联网上最大的开源软件托管平台。这一大型、自由可访问的数据库吸引了从业者和研究者的共同关注。但随着GitHub持续增长，在跨越广泛领域的海量仓库中进行导航正变得愈发困难。已有工作表明，将应用领域纳入考量是预测仓库流行度与推断项目质量等任务的关键。本工作中，我们基于一个先前标注的5,000个GitHub仓库的数据集，设计了一个按应用领域对仓库进行自动分类的分类器。该分类器使用最先进的自然语言处理技术与机器学习，从多数据源中学习，并依据五个应用领域对仓库编目。我们的贡献在于：（1）一个可将热门仓库以至少70%精度指派至各应用领域的自动分类器；（2）对该方法在较冷门仓库上表现的考察；（3）此方法的一个实际应用，用以回答软件工程实践在不同应用领域间的采纳差异。我们的工作旨在帮助GitHub社区识别感兴趣的仓库，并为未来考察不同应用领域仓库间差异的研究开辟有前景的途径。
引用
@article{arxiv.2208.00269,
title = {Automatically Categorising GitHub Repositories by Application Domain},
author = {Francisco Zanartu and Christoph Treude and Bruno Cartaxo and Hudson Silva Borges and Pedro Moura and Markus Wagner and Gustavo Pinto},
journal= {arXiv preprint arXiv:2208.00269},
year = {2022}
}