کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6885245 1444503 2018 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Automatic assignment of integrators to pull requests: The importance of selecting appropriate attributes
ترجمه فارسی عنوان
تخصیص خودکار انتگرال ها برای جلوگیری از درخواست: اهمیت انتخاب ویژگی های مناسب
کلمات کلیدی
تخصیص انتگرال، توسعه نرم افزار مبتنی بر کشش، توسعه نرم افزار توزیع،
ترجمه چکیده
در پروژه های منبع باز که جریان کاری توسعه مبتنی بر کشف را اتخاذ می کنند، یک توسعه دهنده اصلی نیاز به تجزیه و تحلیل سهم دریافت شده از طریق درخواست های تقاضا و تصمیم گیری در مورد ادغام آن یا نه در مخزن دارد. اما این فرآیند زمان گیر است، به تعداد بیشتری از درخواست های محرمانه منتقل می شود که مورد تجزیه و تحلیل قرار گرفته اند. در نتیجه، اختصاص یکپارچگی مناسب برای جلوگیری از درخواست، یک گام مهمی در گردش کار توسعه توسعه است. روش های طبقه بندی قبلا برای توصیف انتگرال ها بر اساس مجموعه های مختلف ویژگی های پیش بینی شده مورد استفاده قرار گرفته اند. بخش اصلی این مقاله شناسایی مجموعه ای از ویژگی هایی است که می تواند عملکرد عملکرد پیش بینی انتگرال را در ادبیات بهبود بخشد. برای انجام این کار ابتدا مجموعه های مختلفی از ویژگی های مورد استفاده در مطالعات قبلی با الگوریتم های مختلف طبقه بندی را ارزیابی می کنیم. علاوه بر این، ما کشف استراتژی های انتخاب ویژگی در مجموعه گسترده ای از ویژگی های نه تنها متشکل از ویژگی های که در حال حاضر در ادبیات استفاده می شود، بلکه ویژگی های جدید ما در نظر به مسئله مربوط است. آزمایش ها با استفاده از 32 پروژه منبع باز نشان داد که پس از اعمال استراتژی های انتخاب صفت و در نتیجه شناسایی یک مجموعه مناسب تر از ویژگی ها، این توصیه ها به پیشرفت های نرمال 54٪ بالاتر از حالت پیشرفته دست یافته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
تخصیص خودکار انتگرال ها برای جلوگیری از درخواست: اهمیت انتخاب ویژگی های مناسب
چکیده انگلیسی
In open-source projects that adopt the pull-based development workflow, a core developer needs to analyze the contribution received via pull requests and decide on integrating it or not in the repository. However, this process is time-consuming, leading to an increasing number of pull requests left to be analyzed. Consequently, the assignment of suitable integrators to pull requests becomes an important step in the pull-based development workflow. Classification methods have already been used to recommend integrators, based on different sets of predictive attributes. The main contribution of this paper is to identify a set of attributes that can improve the performance of the integrator prediction task reported in the literature. To do so, we first evaluate different sets of attributes used by previous studies with different classification algorithms. Besides, we explore attribute selection strategies on an extended set of attributes composed not only by the attributes already used in the literature but also new attributes we consider relevant to the problem. Experiments with 32 open-source projects evidenced that after applying attribute selection strategies and, consequently, identifying a more suitable set of attributes, the recommendation has achieved normalized improvements 54% higher than the state-of-the-art.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Systems and Software - Volume 144, October 2018, Pages 181-196
نویسندگان
, , , ,