建模评审历史用于评审人推荐：一种超图方法
软件工程
2022-05-04 v2
摘要
现代代码评审在开源软件（OSS）开发中盛行的拉取请求开发范式里是一项关键且不可或缺的实践。因此，在拥有大量参与者的项目中找到合适的评审人成为一项日益具有挑战性的任务。许多评审人推荐方法（推荐器）已被开发来支持该任务，它们采用类似策略，即先建模评审历史，然后基于模型预测/推荐评审人。显然，模型对评审历史现实的反映越好，我们可期望推荐器性能越高。然而，拉取请求开发范式中的一个典型场景，即一个拉取请求（PR）（如贡献者提交的修订或增补）可能有多个评审人且他们可能通过公开评论相互影响，在现有推荐器中未被很好建模。我们采用超图技术来建模这种高阶关系（即此处一个 PR 对应多个评审人），并开发了新的推荐器 HGRec，其在 12 个 OSS 项目上以超过 87K 个 PR、680K 条评论就准确率和推荐分布进行了评估。结果表明 HGRec 在推荐准确率上优于最先进的推荐器。此外，在准确率排名前三的推荐器中，HGRec 更可能推荐多样化的评审人，这有助于缓解核心评审人的工作负载拥堵问题。而且，由于 HGRec 基于超图（一种建模评审历史的自然且可解释的表示），它易于容纳现代代码评审场景中更多类型的实体和现实关系。作为首次尝试，本研究揭示了超图在推进代码评审人推荐的实用解决方案上的潜力。
引用
@article{arxiv.2204.09526,
title = {Modeling Review History for Reviewer Recommendation:A Hypergraph Approach},
author = {Guoping Rong and Yifan Zhang and Lanxin Yang and Fuli Zhang and Hongyu Kuang and He Zhang},
journal= {arXiv preprint arXiv:2204.09526},
year = {2022}
}