在線技術(shù)社區(qū)用戶研究綜述

張凱強，倪亞晨

（四川大學(xué)計算機學(xué)院，成都610065）

0 引言

互聯(lián)網(wǎng)誕生不久，用戶便可以在網(wǎng)絡(luò)中生產(chǎn)和傳播資源，根據(jù)資源主題，用戶群體和和使用方式的不同，分為各種網(wǎng)絡(luò)社區(qū)，如社交網(wǎng)絡(luò)社區(qū)Facebook、QQ、微信等，主要是以在網(wǎng)絡(luò)上進行社交活動的社區(qū)；問答社區(qū)[1]，如Google Answer、百度知道和知乎等，這類社區(qū)允許用戶提問并且回答他人的問題。在線技術(shù)社區(qū)，如 GitHub、StackOverflow、CSDN 等，這類社區(qū)主要是供技術(shù)愛好者或者從業(yè)者們使用[2]，來分享和提高自己的技術(shù)。

在線技術(shù)社區(qū)主要有兩種形式，一種是以代碼為核心，代表網(wǎng)站是：2008年上線的GitHub，其是現(xiàn)在全球最大的開源代碼托管平臺，以及2014年上線的碼云Gitee，面向國內(nèi)技術(shù)開發(fā)者的代碼托管平臺等，這類平臺主要是供在線技術(shù)社區(qū)用戶管理和學(xué)習(xí)代碼；另外一種是以技術(shù)問答為中心，代表網(wǎng)站是：2008年由兩位技術(shù)博主創(chuàng)建的技術(shù)知識問答社區(qū)StackOverflow，以及1999年創(chuàng)立的中國專業(yè)IT社區(qū)CSDN，這類在線技術(shù)社區(qū)主要以用戶提問，其他用戶來回答的形式來提供服務(wù)。

作為一種集成化的知識資源共享和信息資源傳播平臺，在線技術(shù)社區(qū)為用戶提供了技術(shù)交流、技術(shù)咨詢和共享空間，深受技術(shù)相關(guān)從業(yè)者和愛好者的青睞。用戶可以在社區(qū)發(fā)表博客或帖子來記錄分享自己對某一問題的經(jīng)驗看法，或者在自己的代碼倉庫上傳自己的項目代碼用以管理代碼，也可以瀏覽或收藏自己感興趣的內(nèi)容或者拉取自己感興趣的別人上傳的代碼倉庫，還可以針對自己遇到的技術(shù)難題或者疑問提出咨詢，以及參與自己感興趣的話題的討論等。例如，全球最大的開源技術(shù)社區(qū)StackOverflow，擁有超過800萬的用戶以及3800萬帖子[3]，每天還有新用戶的加入和產(chǎn)生大量的博客和帖子，以及瀏覽、點贊、評論、收藏等行為，還有現(xiàn)今全球最大的代碼托管平臺GitHub，現(xiàn)已擁有超過4000萬開發(fā)人員以及超過1億的代碼倉庫[4]，每天有上千萬的用戶上傳他們自己的代碼，或者對感興趣的項目進行收藏、拉取等。

做好在線技術(shù)社區(qū)的用戶研究對于社區(qū)運營者來說十分重要，有助于他們了解用戶行為，管控用戶內(nèi)容，并更好地了解用戶需求，從而為用戶提供更加精準(zhǔn)的推薦和個性化服務(wù)，從而增加用戶粘性和社區(qū)活躍度。

本文概括了當(dāng)前當(dāng)前最流行的在線技術(shù)社區(qū)GitHub和StackOverflow的用戶研究，根據(jù)研究內(nèi)容的不同分為用戶本身研究和用戶內(nèi)容研究兩類，分別進行了研究論述，并且對下一步的研究工作進行了討論。

1 在線技術(shù)社區(qū)用戶內(nèi)容研究

在線技術(shù)社區(qū)的用戶會在平臺上托管自己的代碼，寫帖子進行技術(shù)交流，或者回答別人的問題，提出自己的疑問等，這些用戶在社區(qū)中所產(chǎn)生的文檔、代碼等都是用戶產(chǎn)生的內(nèi)容，是用戶研究中的重要部分，很多研究者都對此進行了研究。

Baltes S.和 Kiefer R.等人[5，6]研究了在 GitHub 數(shù)據(jù)倉庫中的代碼對于StackOverflow上的代碼引用問題，他們提出了一個實證研究設(shè)計并得出結(jié)果，分析了在GitHub項目中StackOverflow代碼片段的標(biāo)明引用和未標(biāo)明引用的現(xiàn)象，研究表明，平均而言，在所有倉庫中平均3.22%標(biāo)明了對StackOverflow代碼片段的引用，在受歡迎的倉庫中為7.33%，此外，研究還發(fā)現(xiàn)開發(fā)人員更傾向于在整個StackOverflow引用而不是特定的答案。對于Java倉庫，至少有三分之二的復(fù)制代碼片段未標(biāo)明引用。

Baltes S.、Dumani L.和 Treude C 等人[7]研究了StackOverflow上帖子的演變與其他平臺的關(guān)系，他們構(gòu)建了SOTorrent，一個開放的基于官方SO數(shù)據(jù)轉(zhuǎn)儲的數(shù)據(jù)集。SOTorrent提供對整個帖子和單個文本或代碼塊級別的SO內(nèi)容的版本歷史的訪問。它通過聚合來自文本塊的URL和通過收構(gòu)建了SOTorrent，一個開放的基于官方SO數(shù)據(jù)轉(zhuǎn)儲的數(shù)據(jù)集。SOTorrent提供對整個帖子和單個文本或代碼塊級別的SO內(nèi)容的版本歷史的訪問。它通過聚合來自文本塊的URL和通過收集引用將SO帖子連接到其他平臺表單從GitHub文件到SO帖子。在研究提供了對SO帖子演變的見解，例如，帖子編輯通常很小，在帖子初始創(chuàng)建后不久發(fā)生，而且代碼很少，此外，我們的分析揭示了后期編輯和評論之間的密切關(guān)系。

Treude C.和Wagner M.[8]則使用GH和SO的文本數(shù)據(jù)來對主題模型的配置參數(shù)進行了研究，他們發(fā)現(xiàn)：①主題建模參數(shù)配置的常用經(jīng)驗法則不適用于實驗中使用的GH和SO語料庫；②從GitHub和Stack Over?flow抽取的語料庫具有不同的特征，需要不同的配置才能實現(xiàn)良好的模型擬合；③他們的模型可以可靠地預(yù)測看不見的語料庫的良好配置。這些發(fā)現(xiàn)支持研究人員和從業(yè)人員在分析軟件存儲庫中包含的文本數(shù)據(jù)時有效地確定適合主題建模的配置。

Cai X.、Zhu J.、Shen B.等人[9]提出了 GRETA，一種基于圖形的新方法，用于在GitHub上為存儲庫分配標(biāo)簽。GRETA的核心見解是：①使用StackOverflow中的領(lǐng)域知識為GitHub構(gòu)建實體標(biāo)簽圖（ETG）；②通過采用隨機游走算法為存儲庫分配標(biāo)簽。他們已經(jīng)實現(xiàn)了GRETA，并使用GRETA的標(biāo)簽分配結(jié)果為GitHub開發(fā)了一個存儲庫搜索引擎。并且針對幾種基線方法評估了GRETA，以研究其標(biāo)記GitHub存儲庫的有效性。結(jié)果顯示，GRETA的F-Measure達到了35%，優(yōu)于基線方法。此外，基于GRETA的搜索引擎獲得比GitHub提供的搜索引擎更高的NDCG值，表明帶有標(biāo)記存儲庫顯著增強了GitHub上的搜索能力。

Liu X.、Shen B.、Zhong H.[10]等人提出了一種名為EXPSOL的方法，該方法使用支持向量機訓(xùn)練的模型推薦在線資源作為新報告的異常相關(guān)錯誤的解決方案。他們對來自StackOverflow的數(shù)千個問題和來自GitHub的固定問題進行了兩次評估，并取得了很好的效果。

2 在線技術(shù)社區(qū)用戶本身研究

除了上述的用戶內(nèi)容，如代碼、文檔等的研究之外，關(guān)于用戶研究的另外一個重要部分便是關(guān)于用戶本身的研究，如用戶興趣、用戶社交、用戶行為等。

Lee K.W.和Lo D.[11]研究了GH和SO中開發(fā)人員的跨平臺興趣，研究發(fā)現(xiàn)開發(fā)人員在GitHub和Stack?Overflow中有共同的興趣；平均而言，39%的開發(fā)人員在GitHub倉庫和StackOverflow的問題屬于相同的興趣。此外，開發(fā)人員與其他共同參與兩個平臺活動的開發(fā)人員有著類似的興趣。特別是，與共同參與其他平臺活動的其他開發(fā)人員相比，共同提交和共同請求同一GitHub倉庫并共同回答StackOverflow同一問題的開發(fā)人員有著更加相似興趣。

Venkataramani R.、Gupta A.、Asadullah A.等人[12]開發(fā)了一個模型，通過挖掘開發(fā)人員在不同開源項目中的活動來對開發(fā)人員在目標(biāo)領(lǐng)域的專業(yè)知識進行排名，并且為StackOverflow開發(fā)了一個推薦系統(tǒng)，使用了從GitHub提取的數(shù)據(jù)。

Badashian A.S.[13]提出了一個更現(xiàn)實的錯誤分配任務(wù)。首先，開發(fā)了一個開發(fā)人員專業(yè)知識的新模型，考慮了他們的代碼開發(fā)的貢獻，以及他們對相關(guān)問答（Q＆A）平臺的貢獻。其次，采用經(jīng)濟學(xué)的角度來進行任務(wù)分配，并且建議將任務(wù)從“將一個bug或者問題分配給最佳開發(fā)人員”到“為一組合格且可用的開發(fā)人員分配多個未解決的bug或者問題”。

Vasilescu B.、Filkov V.、Serebrenik A.[14]研 究 了StackOverflow活動與開發(fā)過程之間的相互作用，并通過最大社交編碼庫GitHub的代碼更改來驗證。他們的研究表明，活躍的GitHub提交者會向其他人提出更少的問題并提供更多的問題答案。此外，活躍的Stack?Overflow提問者以比不提問題的開發(fā)人員的開發(fā)行為更加分散。最后，研究表明StackOverflow活動率與GitHub中的代碼更改活動相關(guān)。

Wu Y.、Kropczynski J.、Shih P.C.等人[15]研究發(fā)現(xiàn)對GitHub上類似的代碼倉庫的貢獻會導(dǎo)致用戶在GitHub上相互跟隨，并且互聯(lián)網(wǎng)上有一個軟件開發(fā)者的生態(tài)系統(tǒng)，包括很多平臺，如Forrst、Twitter和Hack?er News等。開發(fā)人員在這些平臺上進行社交介紹和其他交互，并與GitHub上的代碼倉庫進行交流，他們將GitHub描述為更大的開發(fā)人員交互生態(tài)系統(tǒng)的一部分用來研究用戶的社交活動。

Y.Xiong、Z.Meng、B.Shen、W.Yin[16]提出了一種在GitHub和StackOverflow中挖掘開發(fā)人員行為的新方法。這種方法使用CART決策樹鏈接來自兩個社區(qū)的帳戶，利用來自用戶名，用戶行為和寫作方式的特征。然后，通過T圖分析，基于LDA的主題聚類和跨站點標(biāo)記迭代遍歷站點開發(fā)人員行為。并進行了幾次實驗來評估這種方法。結(jié)果表明，他們的身份聯(lián)系方法的精度和F-Score高于以往的方法。特別是，他們發(fā)現(xiàn)：①活躍的issue提交者也是積極的問題提問者；②對于大多數(shù)開發(fā)人員來說，他們在GitHub中的內(nèi)容主題與他們在StackOverflow中的問題和答案的主題相似；③開發(fā)人員對StackOverflow的關(guān)注隨著他們當(dāng)前參與GitHub的項目發(fā)生變化；④開發(fā)人員對GitHub的關(guān)注與他們的答案相關(guān)，而不是StackOverflow中的問題和評論。

3 討論及未來工作

隨著在線技術(shù)社區(qū)的發(fā)展，用戶和用戶產(chǎn)生的內(nèi)容越來越多，做好在線技術(shù)社區(qū)用戶的研究對于在線技術(shù)社區(qū)的高質(zhì)量發(fā)展有著重要作用，本文上述羅列了典型的在線技術(shù)社區(qū)GitHub和StackOverflow的用戶研究概況，我們可以看出現(xiàn)有的研究大多是關(guān)于用戶的某個方面的研究，如興趣或者技術(shù)特長或者社交等，缺少對于用戶更加全面的研究，而現(xiàn)在火熱的用戶畫像技術(shù)便是解決之道。

我們下一步的研究工作便是使用GitHub和Stack?Overflow數(shù)據(jù)來對用戶進行更加全面準(zhǔn)確的畫像，從用戶自然屬性，用戶擅長領(lǐng)域、用戶興趣等多個方面來刻畫，并將我們的畫像應(yīng)用于推薦系統(tǒng)中。