【数据应用案例】根据代码风格识别作者

案例来源：@量子位 @Edwin Dauber @Aylin Caliskan

案例地址：https://mp.weixin.qq.com/s/2Jv2TBS_jFrdfRN7rZStLw；https://arxiv.org/pdf/1701.05681.pdf

 

1. 目标：根据代码，识别代码属于哪个作者。可应用于代码抄袭检测

 

2. 数据：从github上获取1178个作者的C++代码，筛选出106个作者，他们的代码行数>=150行

 

3. 特征工程：

    1）使用fuzzy parser获取代码的抽象语法树（AST）

    2）抽取AST上的keyword，word unigram，api symbols作为特征，得到功62521个特征

    3）特征tfidf化

 

4. 分类器：随机森林

 

5. 效果：

    1）在每个人提供8个代码样本的情况下，机器学习算法识别100个程序员的准确率为96%。即使将样本量扩大到600位程序员，算法仍能达到83%的准确率

    2）有经验的开发人员比新手更容易识别：62名程序员每人解决了七个“简单”问题，算法去匿名化的准确率为90%。但若每人解决7个“难题”，算法准确率将提高到95%