基于監(jiān)督學習的開源平臺軟件開發(fā)行為研究.pdf

1、自二十世紀末以來，蓬勃發(fā)展的開源軟件正在逐步挑戰(zhàn)著傳統(tǒng)專有軟件占主導地位的軟件產(chǎn)業(yè)格局，逐漸增多的開源軟件的出現(xiàn)對軟件產(chǎn)業(yè)的市場結(jié)構(gòu)產(chǎn)生了巨大的影響。分布式開發(fā)模型也在隨著開源軟件開發(fā)需求的轉(zhuǎn)變而逐步發(fā)展，而基于拖拽式的分布式開發(fā)模型的出現(xiàn)引領(lǐng)了一種新的關(guān)于分布式軟件開發(fā)模式的發(fā)展方向。對開源開發(fā)中的開發(fā)行為特征的研究是軟件演化領(lǐng)域的研究熱點，可以幫助開發(fā)者更深刻地理解軟件演化進程中的規(guī)律，從而改進現(xiàn)存的軟件開發(fā)過程。隨著越來越多的開發(fā)

2、人員參與到開源軟件開發(fā)中，一些代碼托管平臺，例如GitHub和BitBucket，逐步開始為分布式軟件開發(fā)提供相應的支持。在對GitHub上的開發(fā)行為進行分析時，需要對海量的關(guān)系松散的數(shù)據(jù)進行處理，而想要獲得其中的深度價值往往需要通過包括機器學習等智能化復雜分析。
　　本文對掛載在GitHub上的使用基于拖拽式開發(fā)模式的開源項目進行分析，發(fā)掘出在該模式下開發(fā)流程周轉(zhuǎn)、外部貢獻接納以及處理外部貢獻的時間等規(guī)律。分析開發(fā)人員的開發(fā)動作

3、行為，并且根據(jù)不同的開發(fā)行為特征對貢獻最后能否被接納的影響力大小去構(gòu)建預測模型，來預測一個外部貢獻能否最終被采納。在對行為特征進行提取時，考慮加入基于歷史記錄的行為特征，對構(gòu)建預測模型所需的特征集合進行了有效的補充。本文構(gòu)建的預測模型要解決的是對拖拽式請求的最終狀態(tài)進行分類的問題，將采用適用大規(guī)模數(shù)據(jù)監(jiān)督學習算法（支持向量機）來實現(xiàn)大規(guī)模數(shù)據(jù)的分類。本文將會對所選取的預測模型的表現(xiàn)進行對比，在選擇合適的預測模型上進行研究，并將針對現(xiàn)存的

4、SVM算法，在核函數(shù)參數(shù)優(yōu)化的過程中存在著計算量過大，學習性能以及識別率不夠高等問題加以改進，最后對預測模型對于數(shù)據(jù)擬合化的探討。
　　本文的創(chuàng)新研究內(nèi)容如下:
　　1.研究開源系統(tǒng)中拖拽式請求的接受策略，本文通過對機器學習常見算法分類器對GitHub海量數(shù)據(jù)特征值進行選取和分類，由于考慮到了測試部分與基于歷史數(shù)據(jù)的行為特征，在特征集合中引入測試覆蓋、人員歷史成功提交請求率以及項目歷史成功接納請求率因素，對特征值集進行有效擴