基于混合搜索与图增强的软件仓库标签方法

《Applied Sciences》：A Software Repository Tag Method Based on Hybrid Search and Graph Enhancement

　　

软件仓库通过支持代码共享、协作和复用，在现代软件工程中发挥着重要作用。仓库标签推荐是提高软件仓库可发现性和组织性的关键技术。然而，现有方法仍存在噪声标注、标签覆盖不完整、长尾标签分布以及对新兴技术术语适应性有限等问题。为解决这些问题，本文提出ReG-TG，一种用于仓库标签推荐的检索增强框架。ReG-TG在大语言模型（LLM）架构内集成了混合检索、标签共现知识图谱和思维链（CoT）推理。具体而言，混合检索模块结合稠密语义嵌入和稀疏词汇匹配以检索相关参考仓库，随后通过重排序机制精炼候选结果。进一步构建标签共现图以建模标签间的结构关系，并提供图增强的标签知识。然后将检索到的上下文和图增强信息纳入结构化提示，以引导基于LLM的标签生成。在多个GitHub仓库数据集上的实验结果表明，ReG-TG在Precision@5、Recall@5和F1-score@5指标上持续优于代表性基线方法，包括TF-IDF+LR、ZestXML和LEGION。进一步的消融研究表明，检索增强、混合检索、重排序、图增强和结构化推理均对性能提升有所贡献。此外，长尾分析显示，ReG-TG在低频标签上保持更好的鲁棒性，表明其有效缓解了仓库标签推荐中的稀疏性和长尾挑战。

### 论文解读：基于混合搜索与图增强的软件仓库标签推荐方法

**1. 研究背景与问题**

软件仓库（如GitHub）是现代软件工程中代码共享、协作和复用的核心平台。仓库标签（tag）推荐技术旨在通过自动生成描述性标签，提升仓库的可发现性和组织性。然而，现有方法面临多重挑战：用户自定义标签存在拼写错误、过度缩写等噪声，标签覆盖不完整，许多仓库甚至缺乏标签；标签分布呈现典型的长尾（long-tail）特征，高频标签占据主导而低频标签难以被推荐；同时，开源社区技术术语快速演进，传统分类模型受限于固定标签空间，无法适应新兴术语。这些问题的存在严重阻碍了仓库的有效检索与推荐。因此，研究人员提出一种新的框架，以结合检索增强生成（Retrieval-Augmented Generation, RAG）和大语言模型（Large Language Model, LLM）的能力，来解决上述问题。该论文发表在《Applied Sciences》。

**2. 研究内容与结论**

本文提出了ReG-TG（Repository Tag Generation with Retrieval and Graph enhancement）框架，该框架集成多粒度混合检索、标签共现知识图谱增强以及思维链（Chain-of-Thought, CoT）推理，实现开放世界下的仓库标签推荐。研究人员在三个GitHub数据集（两个公开数据集Zest和LEG，以及一个自收集数据集ReG）上进行了系统评估。结果表明，ReG-TG在Precision@5、Recall@5和F1-score@5指标上均显著优于代表性基线方法（TF-IDF+LR、ZestXML、LEGION），尤其在包含大量新兴术语的自收集数据集上提升幅度最大（F1-score提升49.1%）。消融实验证实了检索增强、混合检索、重排序、图增强和结构化推理各组件均对性能有贡献。长尾分析进一步表明，ReG-TG在低频标签上性能衰减远小于基线方法，展现出更强的鲁棒性。该研究为软件工程中的标签推荐任务提供了一种可扩展且有效的检索增强生成范式应用。

**3. 主要关键技术与方法**

研究人员采用了以下关键技术方法（样本来源：通过GitHub API收集并过滤，构建了两个公开数据集Zest和LEG，以及一个自收集数据集ReG，后者包含18,773个仓库和32,338个唯一标签）：
- **离线索引构建**：使用BGE-M3模型对仓库README文本进行多粒度编码，生成稠密向量和稀疏向量，并存入Milvus Lite向量数据库（采用IVF_FLAT近似最近邻索引）；同时，基于训练集中所有标签对计算点互信息（Pointwise Mutual Information, PMI），构建标签共现知识图谱（PMI阈值设为0.5）。
- **在线检索与推荐**：针对目标仓库，首先通过混合检索（稠密向量余弦相似度权重0.6，稀疏向量匹配权重0.4）召回Top-50候选片段，随后使用BGE-Reranker-v2-m3跨编码器模型进行重排序，选取Top-K（K=5）最相关参考仓库；接着，以参考仓库标签为锚点，在标签共现图中提取一阶邻域标签作为图增强证据；最后，将目标仓库文本、检索参考仓库上下文和图增强标签组织为结构化提示，引导LLM（DeepSeek-V3）进行三步CoT推理并输出JSON格式的标准化标签列表。

**4. 研究结果**

**H1: ReG-TG在多个GitHub数据集上优于代表性基线方法。**
通过对比实验，在三个数据集上ReG-TG的F1-score@5均高于TF-IDF+LR、ZestXML和LEGION。在Zest数据集上提升约7.4%，LEG数据集上提升约5.4%，自收集数据集ReG上提升49.1%。人类评估（HumanEval）也显示ReG-TG获得最高语义接受率（0.698~0.837）。Wilcoxon符号秩检验和Cliff's delta效应量分析表明，差异具有统计显著性。

**H2: ReG-TG的完整框架优于移除关键组件的变体。**
消融实验在自收集数据集ReG上进行，逐步移除检索、混合检索、重排序、图增强和CoT指令。结果显示，完整模型F1-score@5最高（0.404），移除检索导致最大下降（0.046），移除混合检索下降7.4%，移除重排序下降2.0%，移除CoT指令下降3.7%，移除图增强和规则清理下降5.9%。表明各组件均贡献互补性提升。

**H3: ReG-TG在长尾标签分布下比基线方法更稳定。**
将测试集标签按频率分为头部（>50次）、中部（10~50次）和尾部（<10次）。在头部区域，各模型F1-score接近；尾部区域，ReG-TG的F1-score为0.357，性能衰减40.8%，而ZestXML和LEGION衰减超过70%。表明ReG-TG通过非参数化的检索增强机制有效缓解了长尾标签的稀疏性问题。

**5. 讨论与结论**

**讨论部分**：
- **检索数量K的影响**：当K从1增至5时，F1-score@5从0.320升至0.404；K继续增至10时，F1-score降至0.388，表明过多参考仓库会引入噪声，最佳K值为5。
- **推理效率与实践部署**：在线推理平均延迟约5.8秒/仓库，其中LLM生成占主导（约4.5秒），检索和图扩展较轻量（<1.2秒）。框架适合离线或半在线场景，可通过缓存和模型蒸馏进一步优化。
- **案例分析与错误分析**：成功案例中，框架能正确生成pytorch、transformer等标签，图增强补充了隐含概念；失败案例中，Vue项目因与React仓库词汇重叠，错误生成了react标签，表明框架对细粒度技术栈区分仍存在局限。

**结论翻译**：
本文提出了ReG-TG，一个用于开源仓库标签推荐的新颖框架，该框架集成了多粒度混合检索、知识图谱增强和基于大语言模型的思维链推理。ReG-TG通过结合稠密语义表示与稀疏符号信号的双路径检索机制，并辅以重排序策略，实现了高质量参考样本的准确召回。为应对长尾和稀疏标签的挑战，ReG-TG利用标签共现图和语义邻域扩展，有效注入互补领域知识。此外，引入结构化思维链提示，引导大语言模型生成标准化、全面且可解释的标签集。在多个数据集上的实验结果表明，ReG-TG在Precision@K、Recall@K和F1-score@K指标上持续优于代表性基线方法。此外，该框架在长尾分布下展现出强鲁棒性和泛化能力。ReG-TG为开放世界场景下的仓库标签推荐提供了一种可扩展且有效的解决方案，并为检索增强生成范式在软件工程任务中的应用提供了新见解。