Análisis contextual para recomendar revisores de código

La revisión del código es esencial en el desarrollo de software, jugando un papel vital en la mejora de la calidad del producto al captar errores desde el principio. Una parte integral de este procedimiento es elegir los revisores adecuados para examinar las modificaciones al código. Sin embargo, en proyectos expansivos de código abierto, identificar a los revisores ideales para ciertos cambios puede ser bastante complejo.

Para abordar esto, un grupo de investigación dirigido por Tao Zhang, en colaboración con Dawei Yuan y otros, presenta la Recomendación de revisores basada en el contexto del código (CCB-RR), un modelo diseñado para sugerir los revisores ideales al analizar los conjuntos de cambios. Este modelo tiene en cuenta las rutas de los archivos alterados y deriva el contexto de los títulos y descripciones de los conjuntos de cambios.

Utilizando Keybert, CCB-RR identifica palabras clave pertinentes y califica su consistencia semántica en los conjuntos de cambios. Al amalgamando rutas de archivo modificadas, datos de palabras clave y el contexto de las alteraciones del código, este modelo ofrece una vista holística de los cambios. El trabajo es publicado en el diario Fronteras de la informática.

Debido a las variadas dimensiones de los datos contextuales, los investigadores mejoraron la red de contexto al emplear Keybert para obtener palabras clave de los archivos de origen y el método del codificador de pares de bytes (BPE) para el procesamiento de datos de código. Dentro de cada red, el mecanismo de autoeficiencia se utiliza para presentar una extracción y capturar el contexto textual global.

Probaron CCB-RR en cuatro plataformas de código abierto de renombre: Android, OpenStack, QT y LibreOffice. Los resultados indicaron que su modelo avanzó el rendimiento en la precisión de Top-K y las métricas de MRR.

Sorprendentemente, CCB-RR hizo recomendaciones precisas de los revisores en el 87% de los casos dentro de una lista de los 10 mejores. Además, logró una tasa de precisión de Top-1 del 55% sobre las líneas de base, lo que subraya la competencia de CCB-RR para recomendar a los revisores de código utilizando su enfoque centrado en el contexto.

El trabajo futuro tiene como objetivo explorar técnicas contextuales avanzadas para los archivos de origen y evaluar más proyectos de código abierto para mejorar su sistema de recomendación.

Proporcionado por las revistas de fronteras