【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_jFrdfRN7rZStLwhttps://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%

 

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值