HiGitClass：基于关键词驱动的 GitHub 仓库层次分类
机器学习
2023-10-24 v2 计算与语言
软件工程
机器学习
摘要
GitHub 已成为代码共享和科学交流的重要平台。随着可用仓库数量的激增，对基于主题的搜索需求日益迫切。尽管已引入主题标签功能，但大多数 GitHub 仓库没有任何标签，这阻碍了搜索和基于主题的分析的效用。本工作将自动仓库分类问题定位为关键词驱动的层次分类。具体而言，用户只需提供一个带有关键词的标签层次结构作为监督信息。这种设置灵活，能适应用户需求，考虑了主题标签的不同粒度，并且只需极少的人工投入。我们识别出该问题的三个关键挑战，即（1）多模态信号的存在；（2）监督稀缺与偏差；（3）监督格式不匹配。针对这些挑战，我们提出了 HiGitClass 框架，该框架包含三个模块：异质信息网络嵌入；关键词增强；主题建模与伪文档生成。在两个 GitHub 仓库集合上的实验结果证实，HiGitClass 优于现有的弱监督和无数据层次分类方法，尤其是在整合结构化和非结构化数据以进行仓库分类的能力方面。
引用
@article{arxiv.1910.07115,
title = {HiGitClass: Keyword-Driven Hierarchical Classification of GitHub Repositories},
author = {Yu Zhang and Frank F. Xu and Sha Li and Yu Meng and Xuan Wang and Qi Li and Jiawei Han},
journal= {arXiv preprint arXiv:1910.07115},
year = {2023}
}
备注
10 pages; Accepted to ICDM 2019; Some typos fixed