响应时间约束的代码评审人推荐方法

同行代码评审，即对提交代码进行人工评审，是减少软件缺陷和提高软件质量的有效手段，已被Github等开源社区以及很多软件开发组织广泛采用.在GitHub社区，代码评审是其pull-based软件开发模型的重要组成部分.开源项目往往存在成百上千个候选评审人员，为评审工作推荐合适的评审人员是一项很有价值且挑战性的工作.我们基于真实开源项目的数据分析发现，评审响应时间过长是普遍存在的问题，这会延长评审周期、降低参与人员积极性，而已有的代码评审人推荐工作均没有考虑响应时间这个因素.因此，本文提出响应时间约束的代码评审人推荐问题，即推荐的评审人能否在约定时间内进行评审；进而提出了基于多目标优化的代码评审人推荐方法（MOC2R），该方法通过最大化代码评审人经验、最大化在约定时间内的响应概率、最大化人员最近时间内的活跃性三个目标，使用多目标优化算法来推荐代码评审人员.我们基于6个开源项目的数据进行实验，结果表明，在不同时间窗约束下（2小时，4小时，8小时），Top-1准确率为41.7%-61.5%，Top-5准确率为66.5%-77.7%，显著优于两条常用且业内领先的基线方法，且三个目标均对人员推荐有贡献，其中约定时间内的响应概率目标对于人员推荐的贡献最大.该方法能够进一步提升代码评审效率，提高开源社区的活跃性