8个研究背景和意义示例,教你写计算机开源社区论文

今天分享的是关于开源社区的8篇计算机毕业论文范文, 如果你的论文涉及到开源社区等主题,本文能够帮助到你

基于用户信息融合的开源社区内容推荐系统设计与实现

这是一篇关于开源社区,推荐算法,随机游走,Core ML的论文, 主要内容为互联网的发展让用户可以获取到海量的信息,在面对庞杂的信息时,互联网用户需要从中筛选出自己感兴趣的内容。然而信息超载问题导致用户很难从大量信息中找到自己需要的内容,这让信息使用效率大幅下降。推荐算法的出现为信息过滤提供了新的思路,算法通过预测目标用户感兴趣的内容,帮助用户快速筛选信息,进而提高信息使用效率。现阶段推荐算法应用十分广泛,包括社交媒体、视频音频、电商购物、广告投放等领域,但是针对开源社区内容的推荐仍处于发展中,目前开源社区内容推荐存在三个方面的问题:一是为开源社区用户进行内容推荐时的参考维度不够多样;二是不同开源社区之间的联系不够紧密;三是开源社区在移动端的应用还不够成熟。文章从上述问题出发,在现有工作的基础上,结合用户信息融合思想、混合推荐方式以及随机游走策略,研究了基于用户信息融合的开源社区内容推荐算法,并与i OS移动开发结合,设计并实现了移动端的开源社区内容推荐系统。详细工作内容与实现方案如下:1.用户信息融合从多维度入手,整合不同开源社区间同一用户信息、开源社区中相似用户信息以及用户个人信息,构建用户-用户关系矩阵与用户-标签关系矩阵。2.采用随机游走策略对用户-用户矩阵以及用户-标签矩阵进行更新,降低了开源社区用户与兴趣标签关系的主观性。改进用户兴趣排名打分策略,使打分结果更准确,提高开源社区用户与兴趣标签关系的客观性。3.将文中提出的算法与基于内容的推荐算法和协同过滤推荐算法进行性能比较,在算法准确率、F-measure值、召回率等方面进行对比,证明了基于用户信息融合的开源社区内容推荐算法性能优于其他两种推荐算法,有着较好的推荐效果。4.将推荐算法与移动端应用开发结合,使用Apple的Core ML框架整合机器学习模型,把算法训练模型部署到i OS移动端,让模型可以与移动开发过程中的其他控件进行数据交互。在此基础上结合i OS移动开发知识,实现了开源社区内容推荐系统,为开源社区内容推荐在移动端的发展提供了可行性方案。

面向GitHub开源社区的Bug定位系统的设计与实现

这是一篇关于开源社区,Bug定位,Vue.js,Spring Boot,信息检索的论文, 主要内容为GitHub作为现今最大的开源社区,其应用市场提供了代码质量检查、项目持续集成、进度管理等方面的工具供开发者使用,但依然缺乏有效的Bug定位工具。对于软件开发者,Bug修复是一项耗时耗力的任务。Bug定位是Bug修复过程中的重要环节。通过工具预测导致Bug产生的源代码文件,辅助Bug定位,能够提高Bug修复效率。本文设计与实现了一个面向GitHub开源社区的Bug定位系统。本系统采用B/S架构,前端采用Vue.js框架搭建,使用iView组件库组织页面,通过axios包与服务端进行通信。服务端采用Spring Boot搭建并实现业务逻辑,基于RESTful原则定义通讯接口,同时集成MyBatis、log4j等中间件用于ORM映射和记录系统操作日志。数据持久层采用Mysql数据库存储信息。本系统集成实现了三种常用的基于信息检索的Bug定位技术:BugLocator、BLUiR+和AmaLgam+。本系统使用AST抽象语法树提取源代码文件信息,再将其与Bug报告一起输入给定位技术。系统根据Bug定位技术自身定义的指标进行计算,对每个源代码文件评分得出预测结果。开发者依靠Bug定位系统预测结果作为参考,辅助Bug修复。本文选取了开源项目Zookeeper截止2018年10月16日产生的1243份Bug报告,对本系统的Bug定位准确度进行了初步验证。系统预测结果Top1的命中率为52.53%,Top5的命中率为78.92%,Top10的命中率为87.45%。本系统性能测试模拟了500用户并发访问7个常用接口,平均响应时间为247ms,最高447ms,均未超过500ms,且响应错误率为0,满足小规模开发者群体使用的性能要求。

面向GitHub开源社区的Bug定位系统的设计与实现

面向GitHub开源项目的推荐方法研究

这是一篇关于开源社区,推荐系统,实体识别,知识图谱,图卷积网络的论文, 主要内容为随着开源社区的蓬勃发展,越来越多的开发者选择以“开源”的形式进行项目开发,该开发方式允许开发者重用已有的开源项目,或借鉴其中的代码。此外,“开源”的思想也鼓励开发者加入感兴趣的项目做出贡献,以帮助开源项目长久健康的发展。然而,在Git Hub这种大型开源社区中,每天都有数以万计的开源项目被创建,开发者常常无法在庞大的项目资源中快速找到自己需要或感兴趣的项目。因此,如何将开源项目推荐给需要它的开发者是一个亟需被解决的问题。首先,针对开源项目推荐研究中开源社区信息利用不全的问题,本文充分挖掘开发者与项目的关联信息,提出了开源项目推荐模型GCNRec,通过图卷积网络对开发者行为数据与项目数据进行特征提取,实现开源项目的个性化推荐。为了进一步利用项目与项目间的海量信息,本文设计了基于字符特征的方法识别项目文本中的软件实体,并构建了开源项目知识图谱。在此基础上,本文提出了基于开源项目知识图谱的推荐模型KGRec。该模型使用关系图卷积网络从知识图谱中学习实体表征,并利用注意力网络对开发者偏好进行建模,更加精准地为开发者推荐开源项目,最后结合知识图谱对推荐结果进行了可解释性分析。实验结果表明,本文提出的特征提取方法可以有效提高模型的推荐效果,GCNRec推荐模型取得了比已有方法更高的命中率与准确率。此外,本文构建的开源项目知识图谱包含6类实体、11类实体关系,该知识图谱能够更好地描述项目之间的关联关系。基于知识图谱的开源项目推荐模型KGRec在GCNRec推荐模型的基础上可以大幅度提高推荐结果的准确率。本文构建的推荐模型能够为开发者准确推荐目标项目,帮助开发者在开源社区中更好地进行开发工作。图37幅,表21个,参考文献67篇

基于开源社区和用户行为的软件推荐方法研究

这是一篇关于软件复用,推荐算法,开源社区,开源软件的论文, 主要内容为随着软件开发技术不断更新迭代,在软件工程中,如何有效地提升软件开发的效率与品质,是目前软件工程学研究的重点,软件复用是解决这一问题的重要途径。近年来,各种开源社区的出现,数不胜数的开发者和有关行业人士都加入到开源软件的学习与共享中。长久以往下来,开源社区中也积淀了大量的开源软件项目资源,其具有涉及领域广泛、质量参差不齐等特点,加大了用户寻找可复用项目资源的难度的同时也降低了推荐结果的准确率。在类似Gitee这样的开源社区中,开发者一般会通过输入和项目功能相关的关键词来搜索自己感兴趣或者与其工作相关的项目。但关键词并不能完全描述一个软件项目的功能特征,用户很难选择合适的关键词进行搜索,因此通过关键词搜索得到的结果效率较低,无法快速为用户推荐真正需要的项目。综上所述,用户在开源社区中寻求可复用项目资源时会面临着搜索难度大且效率低下等问题。为了解决这些问题,本文进行了如下工作:(1)基于描述文档和源代码的功能特征提取。项目仓库中的描述文档与源代码包含着可作为项目功能特征的信息,本文从这一特性出发,对描述文档和源代码中的代码文本以及注释信息展开了详细讨论,设计了不同的预处理及筛选规则,从中提取出可作为项目功能特征的词汇列表并构建出项目相似度矩阵。(2)将用户行为作为本文推荐方法的参考因素。用户行为代表了用户的个性化需求,本文基于用户行为构建出用户—项目矩阵,并计算其与基于描述文档和源代码构建的项目矩阵相似度乘积,随后排序生成软件推荐结果。此外,本方法将用户的正负面反馈作为推荐算法的参考因素进而对结果进行二次优化。(3)基于用户需求对系统架构进行了合理设计,将本文提出的方法基于Gin、GRPC、Tensort Flow框架进行实现,构建出一套前后端分离的软件推荐系统。