本發(fā)明涉及開源和人工智能領(lǐng)域，尤其涉及一種基于知識(shí)分解的開源平臺(tái)開發(fā)者推薦方法和裝置。

背景技術(shù)：

1、在開源軟件的生態(tài)系統(tǒng)中，問題單跟蹤系統(tǒng)是開發(fā)者和用戶之間溝通的橋梁，它記錄了項(xiàng)目中的問題、需求和討論。隨著開源項(xiàng)目的不斷增長，問題單的數(shù)量也在急劇增加，這給開發(fā)者帶來了挑戰(zhàn)：如何在海量的問題單中快速定位到自己能夠解決或感興趣的問題。傳統(tǒng)的推薦系統(tǒng)通?；谟脩舻臍v史行為數(shù)據(jù)，通過協(xié)同過濾、內(nèi)容推薦等方法來推薦問題單。這些方法雖然在一定程度上能夠提高推薦的相關(guān)性，但它們往往忽視了問題單背后的知識(shí)結(jié)構(gòu)和開發(fā)者的技能匹配。因此需要一種個(gè)性化的推薦方法，從問題單的文本和代碼兩方面分析得到細(xì)化的知識(shí)技術(shù)關(guān)鍵詞，作為問題單的精準(zhǔn)表示，從而實(shí)現(xiàn)開發(fā)者的個(gè)性化精準(zhǔn)推薦。

2、在開源軟件開發(fā)中，文本處理的關(guān)鍵在于提取有意義的關(guān)鍵詞和主題，以幫助開發(fā)者快速定位相關(guān)問題。近年來，大型語言模型的應(yīng)用極大提升了文本分析的效果。例如，bert（bidirectional?encoder?representations?from?transformers）由devlin等人于2018年提出，其雙向編碼機(jī)制能夠同時(shí)考慮上下文信息，顯著提高了自然語言理解的能力。通過對開源項(xiàng)目的問題描述進(jìn)行深度學(xué)習(xí)，bert可以識(shí)別出關(guān)鍵信息，從而提取出相關(guān)的知識(shí)關(guān)鍵詞。這些關(guān)鍵詞不僅包括具體的技術(shù)術(shù)語，也涵蓋了問題的核心意圖。此外，transformer架構(gòu)的出現(xiàn)，推動(dòng)了文本處理技術(shù)的進(jìn)步，使得模型能夠處理更大規(guī)模的數(shù)據(jù)并提取更深層次的語義關(guān)系。以gpt為例，openai的gpt模型在處理自然語言時(shí)，通過生成預(yù)訓(xùn)練和微調(diào)階段，實(shí)現(xiàn)了強(qiáng)大的語言理解能力。通過這些技術(shù)，開發(fā)者可以更有效地分析問題單中的文本，提取出關(guān)鍵的信息，進(jìn)而為后續(xù)的推薦系統(tǒng)提供高質(zhì)量的輸入。值得一提的是，近年來，情感分析和主題建模等技術(shù)也被應(yīng)用于開源項(xiàng)目的問題單分析中。通過對問題描述進(jìn)行情感分析，能夠判斷問題的緊迫性和重要性，從而為開發(fā)者提供更具針對性的推薦。此外，lda（latent?dirichlet?allocation）等主題建模方法能夠幫助識(shí)別問題單中潛在的主題結(jié)構(gòu)，這對于構(gòu)建更為復(fù)雜的知識(shí)圖譜具有重要意義。綜上所述，利用大型語言模型與自然語言處理技術(shù)的結(jié)合，為開源項(xiàng)目的問題單推薦提供了強(qiáng)有力的支持。

3、在開源項(xiàng)目中，代碼片段不僅包含豐富的技術(shù)信息，還涉及多種功能和模塊。為了解決問題單的推薦，采用多標(biāo)簽分類技術(shù)從代碼中提取知識(shí)關(guān)鍵詞顯得尤為重要。多標(biāo)簽分類是一種機(jī)器學(xué)習(xí)任務(wù)，其中每個(gè)樣本可以同時(shí)屬于多個(gè)標(biāo)簽，這對于代碼的特性識(shí)別極具價(jià)值，因?yàn)橥欢未a可能與多個(gè)技術(shù)?；騿栴}類型相關(guān)。具體來說，多標(biāo)簽分類可以使用卷積神經(jīng)網(wǎng)絡(luò)（cnn）或長短時(shí)記憶網(wǎng)絡(luò)（lstm）等深度學(xué)習(xí)模型來實(shí)現(xiàn)。這些模型能夠?qū)Υa進(jìn)行特征提取，識(shí)別出不同的語法結(jié)構(gòu)和語義信息。研究者們常常使用代碼的抽象語法樹（ast）作為輸入，通過對ast進(jìn)行多標(biāo)簽分類，能夠識(shí)別出代碼中涉及的各種知識(shí)點(diǎn)。例如，一段代碼可能同時(shí)涉及到“數(shù)據(jù)庫操作”、“api調(diào)用”以及“前端展示”等多個(gè)方面，使用多標(biāo)簽分類技術(shù)可以有效地提取這些信息。在實(shí)施過程中，首先需要構(gòu)建一個(gè)包含多種標(biāo)簽的訓(xùn)練數(shù)據(jù)集。通過對已標(biāo)注的代碼樣本進(jìn)行訓(xùn)練，模型能夠?qū)W習(xí)到不同標(biāo)簽之間的關(guān)系和相似性。訓(xùn)練完成后，模型可以對新的代碼片段進(jìn)行分析，提取出與之相關(guān)的多個(gè)知識(shí)關(guān)鍵詞。這些關(guān)鍵詞不僅為問題單提供了更為細(xì)致的描述，還為開發(fā)者的技能匹配提供了更多維度的信息。此外，結(jié)合自然語言處理技術(shù)，提取的知識(shí)關(guān)鍵詞可以與問題單的文本描述進(jìn)行比對，形成更為全面的問題表示。這種多維度的分析方式，顯著提升了推薦系統(tǒng)的精準(zhǔn)性，幫助開發(fā)者更快速地找到與自身技能匹配的相關(guān)問題，進(jìn)而提高開發(fā)效率。綜上所述，使用多標(biāo)簽分類技術(shù)從代碼中提取知識(shí)關(guān)鍵詞，是實(shí)現(xiàn)精準(zhǔn)推薦的重要手段，有助于解決開源項(xiàng)目中存在的技術(shù)匹配問題。

4、知識(shí)圖譜作為一種用于存儲(chǔ)和表示知識(shí)的結(jié)構(gòu)化方式，能夠有效地整合來自不同來源的信息。在開源軟件項(xiàng)目中，通過將提取的知識(shí)關(guān)鍵詞存入知識(shí)圖譜，可以實(shí)現(xiàn)更為精準(zhǔn)的推薦。ripplenet是由張等人提出的一種基于知識(shí)圖譜的推薦技術(shù)，通過學(xué)習(xí)圖結(jié)構(gòu)中節(jié)點(diǎn)的特征和關(guān)系，能夠?yàn)橛脩籼峁﹤€(gè)性化的推薦內(nèi)容。該技術(shù)不僅考慮了節(jié)點(diǎn)之間的直接連接，還通過多層傳播機(jī)制捕捉更深層次的關(guān)系信息，從而提升了推薦的準(zhǔn)確性。在具體實(shí)施中，知識(shí)圖譜中存儲(chǔ)的知識(shí)關(guān)鍵詞可以代表問題的不同維度，如技術(shù)棧、問題類型、解決方案等。通過應(yīng)用ripplenet，可以對開發(fā)者的歷史行為和技能進(jìn)行建模，結(jié)合知識(shí)圖譜中的信息，生成個(gè)性化的推薦列表。這種方法的優(yōu)勢在于，它不僅能夠基于歷史數(shù)據(jù)進(jìn)行推薦，還能動(dòng)態(tài)適應(yīng)開發(fā)者的變化和新出現(xiàn)的問題，提供實(shí)時(shí)的支持。此外，結(jié)合深度學(xué)習(xí)技術(shù)，推薦系統(tǒng)可以進(jìn)行更為復(fù)雜的模式識(shí)別與預(yù)測。通過利用圖神經(jīng)網(wǎng)絡(luò)（gnn），可以對知識(shí)圖譜進(jìn)行深入學(xué)習(xí)，識(shí)別出潛在的關(guān)聯(lián)和模式，進(jìn)一步提升推薦的相關(guān)性。通過這種方式，開發(fā)者能夠更快速地找到適合自己的問題單，實(shí)現(xiàn)更高效的開發(fā)流程?？傊?，知識(shí)圖譜與深度學(xué)習(xí)技術(shù)的結(jié)合，為開源項(xiàng)目的問題單推薦開辟了新的方向，有效解決了傳統(tǒng)推薦系統(tǒng)的局限性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供了一種基于知識(shí)分解的開源平臺(tái)開發(fā)者推薦方法和裝置。

2、本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于知識(shí)分解的開源平臺(tái)開發(fā)者推薦方法，包括以下步驟：

3、（1）對于給定的開源項(xiàng)目，得到該開源項(xiàng)目對應(yīng)的開源平臺(tái)問題單列表；所述開源平臺(tái)問題單列表包括待解決問題列表和已解決問題列表；隨后使用爬蟲技術(shù)獲得所述待解決問題列表和已解決問題列表中每一個(gè)問題單對應(yīng)的文本信息、代碼信息和提交者信息，得到待解決問題列表和已解決問題列表對應(yīng)的文本信息集合、代碼信息集合和提交者集合；

4、（2）針對所述待解決問題列表和已解決問題列表中每一個(gè)問題單，使用大型語言模型和自然語言處理工具從對應(yīng)的文本信息中抽取第一知識(shí)關(guān)鍵詞，得到每一個(gè)問題單對應(yīng)的第一知識(shí)關(guān)鍵詞子集合；

5、（3）針對所述待解決問題列表和已解決問題列表中每一個(gè)問題單，使用多標(biāo)簽分類模型從對應(yīng)的代碼信息中抽取第二知識(shí)關(guān)鍵詞，得到每一個(gè)問題單對應(yīng)的第二知識(shí)關(guān)鍵詞子集合；

6、（4）將待解決問題列表和已解決問題列表通過對應(yīng)的第一知識(shí)關(guān)鍵詞子集合和第二知識(shí)關(guān)鍵詞子集合以知識(shí)圖譜的形式進(jìn)行存儲(chǔ)，得到完整的知識(shí)圖譜；

7、（5）根據(jù)完整的知識(shí)圖譜計(jì)算得到開源平臺(tái)問題單列表的相似度矩陣，通過相似度矩陣結(jié)合已解決問題列表對應(yīng)的提交者集合，生成待解決問題列表中每一個(gè)待解決的問題單對應(yīng)的推薦結(jié)果。

8、進(jìn)一步地，所述步驟（1）具體包括以下子步驟：

9、（1.1）對于一個(gè)給定的軟件項(xiàng)目托管平臺(tái)上的開源項(xiàng)目，得到該開源項(xiàng)目對應(yīng)的開源平臺(tái)問題單列表；所述開源平臺(tái)問題單列表包括待解決問題列表和已解決問題列表，所述待解決問題列表包括個(gè)待解決的問題單：、、…、、…、，其中，表示第個(gè)待解決的問題單，；所述已解決問題列表包括個(gè)已解決的問題單：、、…、、…、，其中，表示第個(gè)已解決的問題單，；

10、（1.2）使用python爬蟲技術(shù)，通過請求軟件項(xiàng)目托管平臺(tái)的應(yīng)用程序編程接口獲得開源平臺(tái)問題單列表中每一個(gè)問題單的對應(yīng)的統(tǒng)一資源定位地址：、、…、、…、、、、…、、…、，其中，表示待解決的問題單對應(yīng)的統(tǒng)一資源定位地址，表示已解決的問題單對應(yīng)的統(tǒng)一資源定位地址；

11、（1.3）針對任意一個(gè)待解決的問題單，使用python爬蟲技術(shù)訪問對應(yīng)的統(tǒng)一資源定位地址，保存訪問頁面中的標(biāo)題和內(nèi)容作為對應(yīng)待解決的問題單的文本信息，并保存訪問頁面中所有拉取請求的統(tǒng)一資源定位地址；隨后使用python爬蟲技術(shù)依次訪問得到的所有拉取請求的統(tǒng)一資源定位地址，保存訪問頁面中所有相關(guān)代碼片段作為待解決的問題單的代碼信息，并保存訪問頁面中所有代碼提交者作為待解決的問題單的提交者信息；

12、（1.4）針對每一個(gè)待解決的問題單重復(fù)步驟（1.3），得到待解決問題列表對應(yīng)的文本信息集合、代碼信息集合和提交者集合；

13、（1.5）針對每一個(gè)已解決的問題單重復(fù)步驟（1.3），得到已解決問題列表對應(yīng)的文本信息集合、代碼信息集合和提交者集合，其中，為已解決的問題單的文本信息，為已解決的問題單的代碼信息，為已解決的問題單的提交者信息。

14、進(jìn)一步地，所述步驟（2）具體包括以下子步驟：

15、（2.1）對于待解決問題列表中任意一個(gè)待解決的問題單，設(shè)計(jì)提示詞，使用大型語言模型根據(jù)文本信息生成對應(yīng)的問題摘要；使用自然語言處理工具，根據(jù)詞性劃分方法從生成的問題摘要中自動(dòng)抽取得到第一知識(shí)關(guān)鍵詞子集合；

16、（2.2）針對待解決問題列表中每一個(gè)待解決的問題單重復(fù)步驟（2.1），得到待解決問題列表對應(yīng)的第一知識(shí)關(guān)鍵詞總集合；

17、（2.3）針對已解決問題列表中每一個(gè)已解決的問題單重復(fù)步驟（2.1），得到已解決問題列表對應(yīng)的第一知識(shí)關(guān)鍵詞總集合，其中，表示已解決的問題單對應(yīng)的第一知識(shí)關(guān)鍵詞子集合。

18、進(jìn)一步地，所述步驟（3）具體包括以下子步驟：

19、（3.1）使用python爬蟲技術(shù)從軟件項(xiàng)目托管平臺(tái)上的開源項(xiàng)目中爬取特定領(lǐng)域的所有標(biāo)簽，并從it技術(shù)社區(qū)網(wǎng)站中爬取所有分級(jí)標(biāo)簽；將爬取得到的特定領(lǐng)域的所有標(biāo)簽和所有分級(jí)標(biāo)簽作為第一標(biāo)簽集；

20、（3.2）從it技術(shù)問答網(wǎng)站官網(wǎng)下載所有帖子數(shù)據(jù)，并過濾所有帖子數(shù)據(jù)中不含特定領(lǐng)域標(biāo)簽的數(shù)據(jù)，得到干凈帖子數(shù)據(jù)，并得到干凈帖子數(shù)據(jù)中的所有標(biāo)簽作為第二標(biāo)簽集；

21、（3.3）根據(jù)第一標(biāo)簽集和第二標(biāo)簽集，通過人工篩選和關(guān)鍵詞匹配的方式確定用于多標(biāo)簽分類的第三標(biāo)簽集；并從所有帖子數(shù)據(jù)中篩選出包含第三標(biāo)簽集中標(biāo)簽對應(yīng)的數(shù)據(jù)作為分類的數(shù)據(jù)集；

22、（3.4）基于所述數(shù)據(jù)集對多標(biāo)簽分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的多標(biāo)簽分類模型；

23、（3.5）將待解決問題列表中任意一個(gè)待解決的問題單對應(yīng)的代碼信息輸入至訓(xùn)練后的多標(biāo)簽分類模型中，得到代碼信息對應(yīng)的所有標(biāo)簽作為待解決的問題單對應(yīng)的第二知識(shí)關(guān)鍵詞子集合；

24、（3.6）針對待解決問題列表中每一個(gè)待解決的問題單重復(fù)步驟（3.5），得到待解決問題列表對應(yīng)的第二知識(shí)關(guān)鍵詞總集合；

25、（3.7）已解決問題列表中每一個(gè)已解決的問題單重復(fù)步驟（3.5），得到已解決問題列表對應(yīng)的第二知識(shí)關(guān)鍵詞總集合，其中，表示已解決的問題單對應(yīng)的第二知識(shí)關(guān)鍵詞子集合。

26、進(jìn)一步地，所述步驟（4）具體包括以下子步驟：

27、（4.1）從待解決問題列表中先選一個(gè)待解決的問題單，；隨后將待解決的問題單對應(yīng)的第一知識(shí)關(guān)鍵詞子集合和第二知識(shí)關(guān)鍵詞子集合中每一個(gè)知識(shí)關(guān)鍵詞分別作為一個(gè)關(guān)鍵詞節(jié)點(diǎn)，與待解決的問題單作為一個(gè)問題單節(jié)點(diǎn)分別進(jìn)行連接直接作為初始待解決的知識(shí)圖譜；

28、（4.2），重復(fù)步驟（4.1），得到對應(yīng)的知識(shí)圖譜，隨后將新得到的知識(shí)圖譜寫入到初始待解決的知識(shí)圖譜中：當(dāng)寫入一個(gè)關(guān)鍵詞節(jié)點(diǎn)，與初始待解決的知識(shí)圖譜中已有的關(guān)鍵詞節(jié)點(diǎn)分別兩兩計(jì)算相似度，合并相似度大于相似度閾值的兩個(gè)關(guān)鍵詞節(jié)點(diǎn)，直到將所有關(guān)鍵詞節(jié)點(diǎn)都寫入，得到更新后的待解決的知識(shí)圖譜；

29、（4.3）重復(fù)步驟（4.2），直到，得到完整的待解決的知識(shí)圖譜；

30、（4.4）隨后從已解決問題列表中先選一個(gè)已解決的問題單，；隨后將已解決的問題單對應(yīng)的第一知識(shí)關(guān)鍵詞子集合和第二知識(shí)關(guān)鍵詞子集合中每一個(gè)知識(shí)關(guān)鍵詞分別作為一個(gè)關(guān)鍵詞節(jié)點(diǎn)，與已解決的問題單作為一個(gè)問題單節(jié)點(diǎn)分別進(jìn)行連接作為初始已解決的知識(shí)圖譜；隨后將初始已解決的知識(shí)圖譜寫入到完整的待解決的知識(shí)圖譜中：當(dāng)寫入一個(gè)關(guān)鍵詞節(jié)點(diǎn)，與完整的待解決的知識(shí)圖譜中已有的關(guān)鍵詞節(jié)點(diǎn)分別兩兩計(jì)算相似度，合并相似度大于相似度閾值的兩個(gè)關(guān)鍵詞節(jié)點(diǎn)，直到將所有關(guān)鍵詞節(jié)點(diǎn)都寫入，得到更新后的已解決的知識(shí)圖譜；

31、（4.5）），重復(fù)步驟（4.4），直到，得到完整的知識(shí)圖譜。

32、進(jìn)一步地，所述步驟（5）具體包括以下子步驟：

33、（5.1）根據(jù)完整的知識(shí)圖譜計(jì)算得到開源平臺(tái)問題單列表的相似度矩陣，所述相似度矩陣為，其中，表示第個(gè)待解決的問題單與第個(gè)已解決的問題單之間的相似度評分；

34、（5.2）針對待解決問題列表中每一個(gè)待解決的問題單，對待解決的問題單的所有相似度評分、…、、…、進(jìn)行從大到小排序，選取前個(gè)最大的相似度評分；將選出的前個(gè)最大的相似度評分對應(yīng)的已解決的問題單的提交者信息作為待解決的問題單對應(yīng)的推薦結(jié)果。

35、本發(fā)明還包括一種基于知識(shí)分解的開源平臺(tái)開發(fā)者推薦裝置，包括存儲(chǔ)器和一個(gè)或多個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，所述一個(gè)或多個(gè)處理器執(zhí)行所述可執(zhí)行代碼時(shí)，用于上述的一種基于知識(shí)分解的開源平臺(tái)開發(fā)者推薦方法。

36、本發(fā)明還包括一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述的一種基于知識(shí)分解的開源平臺(tái)開發(fā)者推薦方法。

37、本發(fā)明的有益效果是：本發(fā)明通過爬蟲技術(shù)自動(dòng)化抽取開源項(xiàng)目中的問題描述和相關(guān)代碼片段，提高了信息獲取的效率和準(zhǔn)確性；其次，結(jié)合大型語言模型和自然語言處理技術(shù)，有效提取知識(shí)關(guān)鍵詞，增強(qiáng)了對問題本質(zhì)的理解；多標(biāo)簽分類技術(shù)的應(yīng)用，進(jìn)一步從代碼中提取知識(shí)，確保了問題與開發(fā)者技能的高相關(guān)性；將這些關(guān)鍵詞構(gòu)建成知識(shí)圖譜，不僅實(shí)現(xiàn)了知識(shí)的系統(tǒng)化存儲(chǔ)，還為后續(xù)的推薦提供了豐富的背景信息；最終，采用ripplenet知識(shí)圖譜推薦技術(shù)，為每個(gè)待解決問題推薦合適的開發(fā)者，提升了問題解決的效率；這種推薦方法兼具精準(zhǔn)性與可解釋性，能有效促進(jìn)開源社區(qū)的協(xié)作與創(chuàng)新，有助于加速項(xiàng)目進(jìn)展，提升整體開發(fā)質(zhì)量。