Recomendação de projetos do Github por meio de Algoritmos de Learning to Rank

• Autor(a) principal: FARIAS, Ariann Michael Martins de Andrade.
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19198
• topic: Plataforma GitHub; Learning to Rank; Algoritmos de Learning to Rank; RankLib; RankNet; GitHub Platform; Learning to rank; Learning to Rank Algorithms; Ciência da Computação.

O GitHub, atualmente a maior plataforma para hospedagem de código e controle de versionamento, possui um enorme fluxo diário de interações entre usuários e repositórios. Com o número de repositórios hospedados na casa dos milhões, alguns projetos que poderiam ser do interesse de alguns usuários acabam passando despercebidos, assim como projetos que necessitam de desenvolvedores, acabam ficando no ostracismo. Para esses casos, surge a necessidade de algum mecanismo que possa facilitar a escolha de projetos, pelo usuário. Na literatura outros trabalhos, já realizaram estudos sobre esse contexto, recomendando projetos com diferentes abordagens. Entretanto, ainda há espaço para novos estudos, utilizando novos aspectos, na tentativa de verificar e validar outros resultados. Por isso, esse trabalho busca encontrar projetos relevantes para o usuário, baseando-se nos interesses do mesmo, na plataforma GitHub, utilizando um conjunto de features com o auxílio de algoritmos de learning to rank. Analisamos a efetividade learning to rank, no contexto de recomendação de projetos, utilizando os algoritmos RankNet, AdaRank e ListNet, usando como espaço amostral 826 repositórios e 3464 usuários do GitHub. Os resultados mostram, a relevância da variável resposta e que a abordagem de learning to rank para recomendação de projetos oferece muito espaço para exploração.