論文の概要: Personalized First Issue Recommender for Newcomers in Open Source Projects

• arxiv url: http://arxiv.org/abs/2308.09038v2
• Date: Sat, 26 Aug 2023 11:54:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 14:11:05.863024
• Title: Personalized First Issue Recommender for Newcomers in Open Source Projects
• Title（参考訳）: オープンソースプロジェクトの新参者のためのパーソナライズド第一号レコメンデーション
• Authors: Wenxin Xiao, Jingyue Li, Hao He, Ruiqiao Qiu, and Minghui Zhou
• Abstract要約: 我々は37人の新参者を分析し、その最初の問題は複数のプロジェクトにわたって解決した。 同じ新参者によって解決された最初の問題は、タスクタイプ、プログラミング言語、プロジェクトドメインにおける類似点を共有している。 提案するPFIRecは,特定された影響力のある特徴を生かして,新参者の候補課題のランク付けを行う。
• 参考スコア（独自算出の注目度）: 12.444293953494032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many open source projects provide good first issues (GFIs) to attract and retain newcomers. Although several automated GFI recommenders have been proposed, existing recommenders are limited to recommending generic GFIs without considering differences between individual newcomers. However, we observe mismatches between generic GFIs and the diverse background of newcomers, resulting in failed attempts, discouraged onboarding, and delayed issue resolution. To address this problem, we assume that personalized first issues (PFIs) for newcomers could help reduce the mismatches. To justify the assumption, we empirically analyze 37 newcomers and their first issues resolved across multiple projects. We find that the first issues resolved by the same newcomer share similarities in task type, programming language, and project domain. These findings underscore the need for a PFI recommender to improve over state-of-the-art approaches. For that purpose, we identify features that influence newcomers' personalized selection of first issues by analyzing the relationship between possible features of the newcomers and the characteristics of the newcomers' chosen first issues. We find that the expertise preference, OSS experience, activeness, and sentiment of newcomers drive their personalized choice of the first issues. Based on these findings, we propose a Personalized First Issue Recommender (PFIRec), which employs LamdaMART to rank candidate issues for a given newcomer by leveraging the identified influential features. We evaluate PFIRec using a dataset of 68,858 issues from 100 GitHub projects. The evaluation results show that PFIRec outperforms existing first issue recommenders, potentially doubling the probability that the top recommended issue is suitable for a specific newcomer and reducing one-third of a newcomer's unsuccessful attempts to identify suitable first issues, in the median.
• Abstract（参考訳）: 多くのオープンソースプロジェクトが、新規参入者を惹きつけ、維持するための優れた最初の問題(GFI)を提供している。 いくつかの自動GFIレコメンダが提案されているが、既存のレコメンダは個々の新参者の違いを考慮せずにジェネリックGFIのレコメンデーションに制限されている。 しかし,ジェネリックGFIと新参者の多様な背景とのミスマッチを観察し,失敗,オンボーディングの回避,課題解決の遅れを指摘した。 この問題に対処するために、新参者向けのパーソナライズされたファーストイシュー(PFI)がミスマッチを減らすのに役立つと仮定する。 仮定を正当化するために、37人の新参者とその最初の問題が複数のプロジェクトで解決されたことを経験的に分析した。 同じ新参者によって解決された最初の問題は、タスクタイプ、プログラミング言語、プロジェクトドメインにおける類似点を共有している。 これらの知見は、最先端アプローチを改善するためのPFIレコメンデータの必要性を浮き彫りにした。 そこで本研究では,新参者選択問題の特徴と新参者選択問題の特徴との関係を解析することにより,新参者選択に影響を及ぼす特徴を同定する。 専門的な好み、OSS経験、活動性、そして新参者の感情が、最初の問題に対してパーソナライズされた選択を促していることがわかった。 これらの結果に基づき,lamdamart を用いて特定された特徴を活用し,新参者候補の課題をランク付けするパーソナライズドファーストイシューレコメンダ (pfirec) を提案する。 GitHubプロジェクト100の68,858件のデータセットを使用して,PFIRecを評価した。 評価結果は、PFIRecが既存の第一号推薦者よりも優れており、最上位の推奨問題が特定の新参者に適した確率を2倍にし、新参者による適切な第一号特定の試みの3分の1を中央値で減らしていることを示している。

関連論文リスト

• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• From First Patch to Long-Term Contributor: Evaluating Onboarding Recommendations for OSS Newcomers [3.673153666095999]
  オープンソースソフトウェア(OSS)プロジェクトへの新参者推奨に関する2つの重要な研究ギャップがある。 まず、既存のレコメンデーションのほとんどは限られた数のプロジェクトに基づいています。 第二に、これらのレコメンデーションが経験豊富なコントリビュータにも当てはまるかどうかは不明です。
  論文  参考訳（メタデータ） (2024-07-04T21:25:19Z)
• FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems [15.463595798992621]
  FedRec+は、フェデレーションレコメンデーションシステムのためのアンサンブルフレームワークである。 プライバシーを強化し、エッジユーザの通信コストを低減します。 FedRec+の最先端性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2023-10-31T05:36:53Z)
• AdAM: Few-Shot Image Generation via Adaptation-Aware Kernel Modulation [71.58154388819887]
  F SIG(Few-shot Image Generation)は、少数のトレーニングサンプル(例:10)が与えられた新しい多様な画像を生成することを目的としている。 最近の研究は、大規模ソースドメインで事前訓練されたGANを活用し、ターゲットドメインに適応することで、F SIGに対処している。 本稿では、異なるソース・ターゲット領域近傍の一般F SIGに対してAdaptation-Aware kernel Modulation (AdAM)を提案する。
  論文  参考訳（メタデータ） (2023-07-04T03:56:43Z)
• Source-Free Domain Adaptation for SSVEP-based Brain-Computer Interfaces [1.4364491422470593]
  本稿では、定常視覚誘発電位(SSVEP)に基づく脳-コンピュータインタフェース(BCI)スペルに対するソースフリードメイン適応法を提案する。 高い情報伝達率(ITR)を達成するには、システムを使用する前に広範囲の校正期間が必要となる。 本稿では、ソースドメインのデータに基づいて事前訓練された強力なディープニューラルネットワーク(DNN)を新しいユーザに適用する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-27T08:02:46Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms [0.0]
  我々は、GOMEA(Gene-pool Optimal Mixing Evoutionary Algorithm)の最新バージョンを提示し、大幅な改良を提案する。 GOMEA と CGOMEA はオリジナルの GOMEA と DSMGA-II よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-09-11T11:35:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks [4.007832851105161]
  ユーザ・項目グラフのランダムウォーク探索を改良することにより,情報多様性の向上を目標とした新しい推薦フレームワークを開発した。 ソーシャルネットワーク上での政治コンテンツを推薦するために,まず,利用者と共有するコンテンツのイデオロギー的立場を推定する新しいモデルを提案する。 これらの推定位置に基づいて,新しいランダムウォークに基づくレコメンデーションアルゴリズムを用いて,多様なパーソナライズドレコメンデーションを生成する。
  論文  参考訳（メタデータ） (2021-02-18T21:53:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。