项目简介

本数据集是什么？

本数据集是国家重点研发计划“基于大数据的软件智能开发方法和环境”公布的软件工程研究数据集系列之一，主要是将知识分享社区StackOverflow和协同开发社区GitHub中用户关联起来的跨社区数据集。

本数据集为什么？

研究人员在进行GitHub或StackOverflow相关数据分析时，可能会涉及到用户的跨社区行为。我们根据StackOverflow中用户的email hash信息和GitHub中用户的email信息将两社区中用户关联起来，进而辅助开源的跨社区研究。

本数据集有什么？

利用StackExchange 2012年8月公开数据集和GHTorrent 2016年3月公开数据集，得到关联用户表（采用ARFF语法）：

@RELATION    stackoverflow_github_users  % 关联用户表

@ATTRIBUTE      stackoverflow_user_id                  % StackOverflow社区中对应用户id

@ATTRIBUTE      github_user_id                              % GitHub社区中对应用户id

@ATTRIBUTE      email                                             % 用户的email信息

@ATTRIBUTE      emailHash                                     % email加密后的结果

特别声明

此数据集目前只采用了注册邮箱匹配的方法，并且过滤掉了已经删除的用户或是虚假用户。同时，此数据集的其他扩展方法正在研究中，并且会在相关工作得到工业界认可后对外公布。敬请谅解和期待。

如需使用该数据集，请引用文章：

Zhang X, Wang T, Yin G, et al. DevRec: A Developer Recommendation System for Open Source Repositories[M]// Mastering Scale and Complexity in Software Reuse. 2017.

联系我们

如有其它问题请在数据发布平台进行沟通，我们会及时响应，谢谢！

数据发布平台链接：https://www.trustie.net/statistics/714

本数据集直接下载地址： GitHub StackOverflow关联用户数据集