7篇关于开源社区的计算机毕业论文

今天分享的是关于开源社区的7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

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。

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。

开源软件热度分析系统的研究与实现

这是一篇关于开源软件,开源社区,热度分析,Heritrix,OSSEAN的论文, 主要内容为随着互联网的蓬勃发展,基于Web的开源社区逐渐成为了开源软件的数据存储中心,这些数据对开源软件的研究具有重大的意义[1]。开源软件的出现为软件开发者提供了大量的相对可靠的可利用资源,降低了重复性工作,让开发者将更多的精力投入到软件核心技术研究上面[2]。然而,由于开源社区数据规模巨大、入门门槛低等原因,导致了很多开源社区中开源软件质量良莠不齐,用户想要选择一款好的开源软件显得十分困难。于是,实现一个综合、可靠的开源软件评价机制就成了当务之急。庆幸的是,开源软件的发展使得开源社区中积累了大量软件开发数据,这些数据包括版本提交信息、用户使用数量、代码提交次数等等,这些信息几乎记录了软件开发过程中的全部活动,成为宝贵的历史数据。此外,以开源软件相关技术论坛为代表的知识共享社区中含有大量有关开源软件讨论的帖子。这些帖子中含有用户对开源软件多方面的讨论信息,某种程度上这些信息能够直接或间接反映开源软件的质量。因此,如果我们能将开源软件的开发数据与知识共享社区中软件的讨论信息进行关联,实现开源软件热度的综合评价,这将是一件很有意义的事情。基于以上分析,本文研究内容主要包括:1.协同开发社区及知识共享社区数据的采集。通过对网络爬虫Heritrix进行扩展,开发了一个高效的聚焦网络爬虫系统,实现社区数据的准确抓取。2.开源软件与社区文档关联关系挖掘算法的研究。解决数据单一性问题,为多角度评价开源软件热度作准备。3.开源软件热度评价机制的研究。通过各方面数据,实现开源软件热度的综合评价,最终在OSSEAN平台展示评价结果。