使用基于基图核心性的双项敏感 PageRank 识别关键类别

《ACM Transactions on Software Engineering and Methodology》：Identifying key classes using biterm-sensitive PageRank with motif-based coreness

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

关键类是开发者，尤其是新手，理解不熟悉软件系统的绝佳起点。尽管文献中提出了许多识别关键类的无监督学习方法——通常是将软件表示为类依赖网络（即软件网络）并利用各种网络指标（如 $h$ -指数，$a$ -指数，核心度 和PageRank 值）——但这些方法未能考虑软件制品（如用户手册）中可用的信息，以及软件网络中小网络子图（如模式）所捕获的高阶信息。在本文中，我们介绍了 BiMo，一种用于识别 Java 项目中关键类的新方法。首先，我们利用 c lass-level a ggregated n etwork ($\mathrm{C}\mathrm{A}\mathrm{N}$) 来精确表示类及其类间耦合。其次，我们从用户手册和类源代码中提取二元词对（即共现词对），并提出一种 b iterm-based s e mantic similarity metric, BE，以量化用户手册与类之间的语义相似度。第三，我们检测 $\mathrm{C}\mathrm{A}\mathrm{N}$ 中所有的 3 节点和 4 节点模式，并利用它们构建一个 m otif-based c lass c oupling n etwork (MCCN)；基于 MCCN，我们提出一种 m otif-based c oreness metric, MC，以表征 MCCN 中类的高阶信息。第四，基于 BE 和 MC 指标，我们开发了一种新的 PageRank 变体 BiCoRank，以衡量 $\mathrm{C}\mathrm{A}\mathrm{N}$ 中类的 PageRank 值 作为类的重要性。最后，我们按照重要性对类进行降序排列，并使用截断值来过滤非关键类：排名靠前的类即为推荐的关键类。在 18 个开源 Java 项目集合上进行的实证实验表明：i) BiMo 显著优于所有基线方法，且差异显著；ii) BiMo 对 $\mathrm{C}\mathrm{A}\mathrm{N}$ 中用于为不同关系类型分配权重的不同加权机制具有鲁棒性；iii) MC 和 BE 指标均显著增强了 BiMo 的有效性；iv) BiMo 表现出强大的可扩展性，非常适合应用于大型系统；以及 v) BiMo 在实际软件理解任务中显示出巨大的前景。

AI 摘要

AI 生成摘要（实验性）

此摘要使用自动化工具生成，未经文章作者编写或审核。它旨在支持发现，帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。全文仍是权威的记录版本。点击此处了解更多。

点击 此处 评论此摘要的准确性、清晰度和实用性。这样做将有助于改进未来的再生成版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。