Community Smell Occurrence Prediction on Multi-Granularity by Developer-Oriented Features and Process Metrics

Community smells are sub-optimal developer community structures that hinder productivity.Prior studies performed smell prediction and provided refactoring guidelines from a top-down aspect to help community shepherds.Simultaneously,refactoring smells also requires bottom-up effort from every developer.However,supportive measures and guidelines for them are not available at a fine-grained level.Since recent work revealed developers'personalities and working states could influence community smells'emergence and variation,we build prediction models with experience,sentiment,and development process features of developers considering three smells including Organizational Silo,Lone Wolf,and Bottleneck,as well as two related classes including smelly developer and smelly quitter.We predict the five classes in the individual granularity,and we also generate forecasts for the number of smelly developers in the community granularity.The proposed models achieve F-measures ranging from 0.73 to 0.92 in individual-wide within-project,time-wise,and cross-project prediction,and mean R2 performance of 0.68 in community-wide Smelly Developer prediction.We also exploit SHAP(SHapley Additive exPlanations)to assess feature importance to explain our predictors.In conclusion,we suggest developers with heavy workload should foster more frequent communication in a straightforward and polite way to build healthier communities,and we recommend community shepherds to use the forecasting model for refactoring planning.     

基于重子节点抽象语法树的软件缺陷预测

在实际软件项目开发过程中,软件缺陷预测能辅助测试人员找到项目中可能存在缺陷的位置,并通过抽象语法树（AST）获取项目模块中隐藏的结构和语义信息,此类信息有助于提高缺陷预测精度。提出基于重子节点抽象语法树的缺陷预测方法,在提取节点信息时保留节点的类型信息和对应代码语义的值信息,并使用特殊字符串代替没有值信息的节点。通过树链剖分思想将AST分割为重子节点和轻子节点,优先选择重子节点作为序列化向量中的节点,同时利用深度学习网络学习节点序列中的源代码结构和语言实现软件缺陷预测。实验结果表明,与DFS方法相比,该方法在基于注意力机制的循环神经网络深度学习模型上的F1值和AUC值平均提升约3%和4%,具有更好的缺陷预测效果。     

基于随机森林算法的推荐系统的设计与实现

如今随着推荐系统势头的加强,如何对用户行为进行快速而准确的预测变得愈加重要。通过分析网上社区帖子的点赞和点踩数据,实现了基于随机森林的推荐系统。该系统将实际问题转化为分类模型,并实现了数据处理、特征提取和参数调整。同时,该系统还对用户浏览帖子后是否产生交互行为进行了预测。最后,通过实验仿真并利用F1值对实验结果进行评估。实验结果证明了系统的有效性和效率。     

HDFS中海量小文件合并与预取优化方法的研究

HDFS在存储海量文件时具有明显的优势, 但在存储小文件占绝大多数的海量文件时,HDFS单个NameNode的存储架构会导致其性能严重降低。为此,提出一种基于合并思想的方案,即将小文件合并为大文件,同时建立小文件到合并文件的映射关系,并将其存于HBase中。为了提高读取速度,建立了基于LRU的预取机制。实验表明,该方法能明显提高HDFS在处理海量文件时的整体性能。     

云计算技术的应用及发展趋势综述

云计算是当前信息产业的热点领域,具有广阔的应用前景。从定义、特征和模型3个方面,介绍了云计算的基本概念,对云计算的虚拟化、资源管理、安全性、分布式编程、数据存储等核心技术和云计算标准进行综述,并对分析主流的云计算技术应用及发展趋势进行分析。     

基于分层表示和上下文增强的类摘要生成技术

代码摘要是源代码的自然语言解释,高质量的代码摘要有助于提高开发人员程序理解效率.近年来,代码自动摘要的研究集中在为方法粒度的代码片段生成摘要.然而,对于面向对象的语言,例如Java,类才是项目的基本组成单元.基于上述问题,提出一种基于分层表示和上下文增强的类摘要生成方法HRCE(hierarchical representation and context enhancement）,并构建了一个包含358 992个?Java类,上下文,摘要?数据对的类摘要数据集.HRCE使用代码精简策略去除类的非关键代码,从而缩短代码长度.然后,对类的层次结构,包括类签名、属性和方法分别进行建模,获得类的语义信息和层次结构信息.此外,从项目中抽取父类的签名及摘要来刻画类在项目中依赖的上下文.实验表明,基于分层表示和上下文增强的生成模型能够表征代码的语义和层次结构,并可以从目标类的内部和外部获取信息. HRCE在BLEU,METEOR,ROUGE-L等评估指标上超过了所有基准模型.     

云计算发展分析与展望

云计算作为一种新型网络化计算模式,对推动信息产业发展的意义重大。然而,目前云计算处于初期发展阶段,对其认识尚存在分歧和误区。本文从计算发展的历史和用户需求的变迁角度分析云计算的核心价值,阐述了云计算的基本概念和技术,并着重对云计算应用的机遇和挑战进行分析,为企业在云计算浪潮中业务发展决策提供参考。