盧冬冬，吳 潔，劉 鵬，盛永祥

(江蘇科技大學(xué)經(jīng)濟(jì)管理學(xué)院，江蘇 鎮(zhèn)江 212003)

1 引言

隨著信息技術(shù)的進(jìn)步，基于Web 2.0/3.0的各類在線社區(qū)孵化了一大批優(yōu)秀的開源軟件產(chǎn)品[1,2]，這引起了社會(huì)各界的廣泛關(guān)注：國務(wù)院曾發(fā)文要將開源軟件社區(qū)發(fā)展納入創(chuàng)新戰(zhàn)略中；企業(yè)層面，諸如騰訊、阿里巴巴等也都積極地建設(shè)各自的開源項(xiàng)目社區(qū)。眾多開發(fā)者通過開源軟件社區(qū)參與到自己喜歡的項(xiàng)目中去，自發(fā)貢獻(xiàn)知識、分享知識、創(chuàng)造知識[3,4]。與其他在線社區(qū)類似，開源軟件社區(qū)中也存在著主導(dǎo)社區(qū)知識創(chuàng)造的核心開發(fā)者，這些核心開發(fā)者承擔(dān)了項(xiàng)目中的大部分代碼工作[5]，維系著眾多開發(fā)者之間的相互協(xié)作關(guān)系，促進(jìn)了社區(qū)的集體智慧涌現(xiàn)[6]。因此，有效識別出核心開發(fā)者并施加保護(hù)手段對開源軟件社區(qū)中的知識創(chuàng)新活動(dòng)具有重大的意義。

目前已有的核心開發(fā)者識別方法主要包括早期的簡單統(tǒng)計(jì)計(jì)數(shù)方法，Mockus等[7]通過統(tǒng)計(jì)代碼工作量，簡單、快速地識別出開源軟件社區(qū)中的核心開發(fā)者和邊緣開發(fā)者。也有相關(guān)學(xué)者關(guān)注到開發(fā)者的個(gè)體屬性和行為，Oliva等[8]通過問卷調(diào)查和個(gè)人訪談的結(jié)果來總結(jié)和描述核心開發(fā)者行為特點(diǎn)，并以此作為識別標(biāo)準(zhǔn)。廖志芳等[9]通過構(gòu)建用戶行為分析模型OUBA-Model(Open source community User Behavior Analysis Model)識別開源軟件社區(qū)的關(guān)鍵用戶行為。這些方法雖然具有一定的優(yōu)勢，但是往往會(huì)忽略用戶之間的交互行為。

近年來隨著網(wǎng)絡(luò)科學(xué)的發(fā)展，基于現(xiàn)實(shí)數(shù)據(jù)構(gòu)建的社會(huì)網(wǎng)絡(luò)能夠較好地反映成員間的交互行為。眾多學(xué)者通過復(fù)雜網(wǎng)絡(luò)的方法發(fā)現(xiàn)了開源軟件協(xié)作網(wǎng)絡(luò)的中央邊緣結(jié)構(gòu)，并從不同的角度展開了大量研究[10 - 12]。夏昊翔等[13]在研究OpenStack協(xié)作網(wǎng)絡(luò)演化時(shí)通過節(jié)點(diǎn)度的大小將開發(fā)者分成了核心開發(fā)者和一般開發(fā)者。李慧等[14]根據(jù)網(wǎng)絡(luò)中的入度、出度和介數(shù)等指標(biāo)，對社區(qū)中的成員進(jìn)行劃分。Joblin等[15]分析社區(qū)成員度和聚類系數(shù)，總結(jié)出核心成員在網(wǎng)絡(luò)中具有高成員度值和低聚類系數(shù)。Zhou等[16]在研究網(wǎng)絡(luò)魯棒性時(shí)則通過度和介數(shù)的大小對社區(qū)成員進(jìn)行重要性識別。徐冰村等[17]通過度中心性DC(Degree Centrality)、介數(shù)中心性BC(Betweenness Centrality)和結(jié)構(gòu)洞指數(shù)識別出開源社區(qū)中的意見領(lǐng)袖。

從上述研究中可見，目前已有研究多是通過社會(huì)網(wǎng)絡(luò)分析的方法進(jìn)行評價(jià)指標(biāo)的選取，但所選取的指標(biāo)多是網(wǎng)絡(luò)中節(jié)點(diǎn)的基本拓?fù)鋮?shù)，如出度、入度和介數(shù)等。這些指標(biāo)雖然能夠反映節(jié)點(diǎn)在網(wǎng)絡(luò)中對其他節(jié)點(diǎn)的影響能力，也能反映節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)中所處的位置特點(diǎn)，但尚未考慮到節(jié)點(diǎn)的局部特征，如節(jié)點(diǎn)之間的相互協(xié)作關(guān)系形成的社團(tuán)結(jié)構(gòu)是開源軟件項(xiàng)目開發(fā)進(jìn)程中必不可少的[13,18]。因此，本文擬通過對節(jié)點(diǎn)的基礎(chǔ)指標(biāo)做進(jìn)一步處理，將節(jié)點(diǎn)局部特征即社團(tuán)結(jié)構(gòu)考慮進(jìn)來，提出新的評價(jià)指標(biāo)體系，識別出開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)的核心開發(fā)者，從而對已有的指標(biāo)體系進(jìn)一步擴(kuò)充，幫助項(xiàng)目管理者能夠更有效地識別核心開發(fā)者，促進(jìn)社區(qū)知識創(chuàng)新。

2 網(wǎng)絡(luò)構(gòu)建與指標(biāo)分析

2.1 知識協(xié)作網(wǎng)絡(luò)構(gòu)建

本文選取開源軟件社區(qū)GitHub的AngularJS項(xiàng)目作為研究對象，AngularJS是一款優(yōu)秀的開源前端JS框架，已廣泛運(yùn)用于Google的多款產(chǎn)品中。該項(xiàng)目目前包括Angular、Angular CLI、Angular Material和Angular Fire等多個(gè)子項(xiàng)目。

數(shù)據(jù)來源于GitHub中AngularJS的子項(xiàng)目庫，通過Git指令提取2010年8月(項(xiàng)目初始期)～2019年1月的7個(gè)主要子項(xiàng)目的代碼提交記錄，共計(jì)38 764條。記錄內(nèi)容包含開發(fā)者郵箱、代碼提交日期、開發(fā)者姓名、修改文件數(shù)量和名稱等。

在此基礎(chǔ)上，通過Python語言編程實(shí)現(xiàn)開發(fā)者知識協(xié)作網(wǎng)絡(luò)的構(gòu)建工作。為了排除數(shù)據(jù)噪聲干擾，以開發(fā)者郵箱作為識別開發(fā)者的唯一標(biāo)識，將開發(fā)者抽象為網(wǎng)絡(luò)中的節(jié)點(diǎn)。同一版本時(shí)期內(nèi)有針對同一文件進(jìn)行代碼提交行為的開發(fā)者視為存在協(xié)作關(guān)系，將協(xié)作關(guān)系抽象成節(jié)點(diǎn)間的邊。網(wǎng)絡(luò)構(gòu)建方法和過程如圖1所示。

表1為AngularJS項(xiàng)目知識協(xié)作網(wǎng)絡(luò)拓?fù)涮卣?，網(wǎng)絡(luò)規(guī)模即網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)量，為3 982，說明累積到2019年1月共有3 982名開發(fā)者為AngularJS貢獻(xiàn)過自己的知識。平均聚集系數(shù)為0.656，平均路徑長度為4.135，說明該網(wǎng)絡(luò)符合小世界特性，開發(fā)者之間協(xié)作關(guān)系較為緊密。模塊度為0.593則說明該網(wǎng)絡(luò)中存在明顯的社團(tuán)結(jié)構(gòu)，說明有必要對成員進(jìn)行子模塊劃分。本文采用FUOCILN算法[19]對網(wǎng)絡(luò)進(jìn)行子模塊劃分。

Figure 1 Method and process of knowledge collaboration network construction

Table 1 Knowledge collaboration network topology parameters

2.2 評價(jià)指標(biāo)分析

本文方法基于開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)中開發(fā)者的結(jié)構(gòu)特征，除了采用以往研究中提到的度中心性和介數(shù)中心性指標(biāo)，還將考慮開發(fā)者節(jié)點(diǎn)的局部屬性，即網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)。參照Guimera等[20]于2005年在生物新陳代謝網(wǎng)絡(luò)的背景下提出的模塊內(nèi)參與度和模塊間參與度進(jìn)行綜合分析，相關(guān)指標(biāo)已被證實(shí)在探究網(wǎng)絡(luò)穩(wěn)定性方法具有較好的效果[21]。具體評價(jià)指標(biāo)如下所示：

(1)度中心性DC。節(jié)點(diǎn)度是與該節(jié)點(diǎn)相連的邊的數(shù)量，表示社區(qū)中與開發(fā)者形成協(xié)作關(guān)系的開發(fā)者人數(shù)，DC越大說明與該開發(fā)者形成知識協(xié)作行為的開發(fā)者人數(shù)越多，因此該開發(fā)者的影響力越大。目前已被廣泛直接用于探究網(wǎng)絡(luò)中節(jié)點(diǎn)的重要性排序問題。

在雙對數(shù)坐標(biāo)系中繪制節(jié)點(diǎn)度k分布和冪律擬合圖(如圖2所示，其中p(k)為度分布圖中的概率分布)，擬合優(yōu)度R2=0.94907。擬合優(yōu)度較高，說明該網(wǎng)絡(luò)屬于無標(biāo)度網(wǎng)絡(luò)，存在著較明顯的中央邊緣結(jié)構(gòu)。網(wǎng)絡(luò)中高度節(jié)點(diǎn)較少，低度節(jié)點(diǎn)多，說明社區(qū)中存在著較為明顯的核心開發(fā)者，核心開發(fā)者間緊密協(xié)作關(guān)系能夠促進(jìn)社區(qū)源源不斷地知識創(chuàng)新。因此，識別開源軟件知識協(xié)作網(wǎng)絡(luò)的核心開發(fā)者是具有重要意義的。

Figure 2 Degree distribution

(1)

表2所示為知識協(xié)作網(wǎng)絡(luò)開發(fā)者節(jié)點(diǎn)的度中心性和介數(shù)中心性。從表2中能夠明顯看出開發(fā)者節(jié)點(diǎn)之間的度中心性和介數(shù)中心性均存在較大的差異，并且開發(fā)者的度中心性和介數(shù)中心性也存在明顯的不對稱性，度中心性最大的開發(fā)者并不是介數(shù)中心性最大的開發(fā)者，說明網(wǎng)絡(luò)中協(xié)作關(guān)系最多的開發(fā)者并不一定是網(wǎng)絡(luò)中最重要的“橋梁”，有必要將二者綜合起來進(jìn)行開發(fā)者的識別工作。

(3)模塊內(nèi)參與度。模塊內(nèi)參與度Zi用于度量節(jié)點(diǎn)i與其所處模塊內(nèi)其他節(jié)點(diǎn)的“良好連接”程度，如式(2)所示：

(2)

Table 2 Developer network topology parameters

(4)模塊間參與度：模塊間參與度Pi用于度量節(jié)點(diǎn)i與其他模塊的連接程度，其計(jì)算方式如式(3)所示：

(3)

其中，NM表示整個(gè)網(wǎng)絡(luò)中的模塊數(shù)量，kis表示節(jié)點(diǎn)i在模塊s中的連邊數(shù)量，ki表示節(jié)點(diǎn)i在整個(gè)網(wǎng)絡(luò)中的度。如果一個(gè)節(jié)點(diǎn)的連邊在越多模塊中有所分布，那么它的模塊間參與度越大。如果它的所有連接都只在自己的模塊內(nèi)部分布，那么它的模塊間參與度為0。

表3所示為開發(fā)者的模塊內(nèi)參與度Z和模塊間參與度P的計(jì)算結(jié)果，可以明顯看出開發(fā)者節(jié)點(diǎn)的度中心性DC和模塊內(nèi)參與度Z、模塊間參與度P3者之間均具有一定程度的不對稱性。度最大的開發(fā)者并不一定擁有最大的模塊內(nèi)參與度，也不一定擁有最大的模塊間參與度。處在各自社團(tuán)中心位置的開發(fā)者并不一定是網(wǎng)絡(luò)中最重要的開發(fā)者，也不一定是與外界社團(tuán)聯(lián)系越廣泛的開發(fā)者。

Table 3 Z and P of developers

圖3所示為模塊內(nèi)參與度Z和模塊間參與度P分布圖。由圖3可以看出，節(jié)點(diǎn)大多位于圖的左半部分，說明網(wǎng)絡(luò)中各節(jié)點(diǎn)的模塊內(nèi)參與度Z相對較小，僅有少數(shù)的節(jié)點(diǎn)具有較高的模塊內(nèi)參與度Z，而模塊間參與度P則分布得較為均勻，但也能發(fā)現(xiàn)高模塊間參與度P的區(qū)域較為稀疏。這種情況也能夠說明社區(qū)中具有高模塊內(nèi)參與度Z和高模塊間參與度P的核心開發(fā)者較少，所選指標(biāo)能夠擬合現(xiàn)實(shí)情況，具有一定的準(zhǔn)確性。

Figure 3 Distribution of Z and P

3 基于TOPSIS的核心開發(fā)者識別

3.1 識別方法

對于擁有多個(gè)評價(jià)指標(biāo)的決策方法，本文擬采用基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的多屬性決策方法[23]進(jìn)行開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)的核心開發(fā)者識別工作。其中，“熵”作為描述系統(tǒng)混亂程度的量，引入信息論后得到了廣泛運(yùn)用，熵權(quán)法[24]作為一種客觀賦權(quán)方法，能夠有效避免人為因素干擾，客觀地為指標(biāo)賦值，更加具有可信度。具體步驟如下所示：

網(wǎng)絡(luò)中共n個(gè)節(jié)點(diǎn)，可以視為n個(gè)方案，每個(gè)方案都有m個(gè)評價(jià)指標(biāo)，可構(gòu)成n×m階矩陣M。

(4)

將指標(biāo)矩陣M標(biāo)準(zhǔn)化，其中指標(biāo)類型不同，所使用的方法也不一樣。

(5)

其中，I1為成本型指標(biāo)集，I2為效益型指標(biāo)，I3為固定型指標(biāo)。成本型的指標(biāo)認(rèn)為指標(biāo)數(shù)值越小越重要，效益型的指標(biāo)則認(rèn)為指標(biāo)值越大越重要，固定型的指標(biāo)認(rèn)為越靠近某固定值r越重要。

用標(biāo)準(zhǔn)化后的指標(biāo)構(gòu)成新矩陣N。

(6)

假設(shè)第j項(xiàng)指標(biāo)的熵記為Hj,j=1,2,…,m，其計(jì)算公式為：

(7)

根據(jù)式(7)進(jìn)一步計(jì)算權(quán)重wj。

(8)

由此可得加權(quán)標(biāo)準(zhǔn)化的決策矩陣Y為：

(9)

將每個(gè)評價(jià)指標(biāo)的最大值的集合作為正理想方案A+，最小值的集合作為負(fù)理想方案A-，計(jì)算各決策方案與正負(fù)理想方案的距離:

(10)

最后，按式(11)計(jì)算每個(gè)決策方案的貼近度Ti，可作為最終決策方案的評價(jià)指標(biāo)，代表開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)中的開發(fā)者節(jié)點(diǎn)重要性程度，即貼近度。

(11)

3.2 核心開發(fā)者識別

針對開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)，本文采用考慮了開發(fā)者節(jié)點(diǎn)局部社團(tuán)結(jié)構(gòu)屬性的“模塊內(nèi)參與度”和“模塊間參與度”2個(gè)指標(biāo)進(jìn)行核心開發(fā)者的識別工作。除此之外，本文亦考慮到已有研究中的度中心性和介數(shù)中心性，通過指標(biāo)間的不同組合方案進(jìn)行核心開發(fā)者的識別，并進(jìn)行相關(guān)識別效果的對比。

首先將這4個(gè)指標(biāo)按照DC,BC,Z,P的順序放在一起進(jìn)行計(jì)算。上述4個(gè)指標(biāo)均為效益型指標(biāo)，其指標(biāo)值越大，節(jié)點(diǎn)越重要，得到原始矩陣M和其標(biāo)準(zhǔn)化矩陣N如下所示：

(12)

(13)

由式(7)計(jì)算得信息熵為：

HDC=0.8669，HBC=0.6842，HZ=0.7406，HP=0.8051

接下來對指標(biāo)方案進(jìn)行分類討論：

方案A：傳統(tǒng)的識別方法,組合DC和BC2個(gè)指標(biāo)。由式(8)計(jì)算可得各指標(biāo)權(quán)重：wDC=0.297,wBC=0.703。根據(jù)式(9)～式(11)計(jì)算各節(jié)點(diǎn)的貼近度得分，取排序前10得到知識協(xié)作網(wǎng)絡(luò)的核心開發(fā)者，結(jié)果如表4所示。

Table 4 Core developers identified by scheme A

方案B：組合本文提出的模塊內(nèi)參與度Z和模塊間參與度P。通過計(jì)算各指標(biāo)權(quán)重可得：wZ=0.571,wP=0.429。根據(jù)式(9)～式(11)計(jì)算各節(jié)點(diǎn)的貼近度得分，取排序前10得到知識協(xié)作網(wǎng)絡(luò)的核心開發(fā)者，結(jié)果如表5所示。

Table 5 Core developers identified by scheme B

方案C：組合DC,BC,Z,P4個(gè)指標(biāo)，通過計(jì)算能夠得到各指標(biāo)權(quán)重：wDC=0.1474,wBC=0.3496,wZ=0.2872,wP=0.2158。根據(jù)式(9)～式(11)計(jì)算各節(jié)點(diǎn)的貼近度得分，取排序前10得到知識協(xié)作網(wǎng)絡(luò)的核心開發(fā)者，結(jié)果如表6所示。

Table 6 Core developers identified by scheme C

3種方案識別出的核心開發(fā)者具有較明顯的重疊性，如Id編號為：1907,97,2756,632,2628等成員。將結(jié)果與GitHub網(wǎng)站中AngularJS項(xiàng)目的子項(xiàng)目庫給出的貢獻(xiàn)者(contributors)進(jìn)行對比可見，3種方案識別出的核心開發(fā)者的貢獻(xiàn)度(contribution)均超過了100。說明3種方案識別出的核心開發(fā)者均具有一定的準(zhǔn)確性。但是，各方案內(nèi)成員重要性排序具有一定的差異性，說明3種方案仍需進(jìn)一步比較。

4 有效性檢測

4.1 有效性檢測指標(biāo)

為了比較3種方案識別核心開發(fā)者的效果，將3種方案識別出的結(jié)果按照重要性排序依次從網(wǎng)絡(luò)中移除，仿真模擬核心開發(fā)者的流失，并對網(wǎng)絡(luò)進(jìn)行抗詆毀性檢測。

通常被用來衡量網(wǎng)絡(luò)性能的指標(biāo)有網(wǎng)絡(luò)聚類系數(shù)、平均最短路徑和最大連通圖等[25,26]。而網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中最大連通子圖能夠衡量項(xiàng)目社區(qū)開發(fā)者之間協(xié)作關(guān)系的緊密性。當(dāng)某些節(jié)點(diǎn)被移除后，會(huì)造成與其相連的一些節(jié)點(diǎn)與最大連通圖之間的協(xié)作關(guān)系中斷，從而脫離最大連通子圖。因此，本文采用最大連通子圖的相對大小S來衡量網(wǎng)絡(luò)的抗詆毀性。最大連通子圖相對大小S的計(jì)算如式(14)所示：

(14)

其中，n表示網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù)，n′表示最大連通子圖中的節(jié)點(diǎn)數(shù)。最大連通子圖相對大小表示知識協(xié)作網(wǎng)絡(luò)的人員之間的緊密聯(lián)系程度，S越大代表各社區(qū)開發(fā)者之間協(xié)作程度越高，關(guān)系越緊密，該網(wǎng)絡(luò)的抗詆毀性也越強(qiáng)。若核心開發(fā)者的離開對網(wǎng)絡(luò)影響較小，則說明該核心開發(fā)者在網(wǎng)絡(luò)中并不一定是最重要的。

4.2 有效性檢測分析

為了明晰各指標(biāo)方案識別核心開發(fā)者的效果，需要對網(wǎng)絡(luò)進(jìn)行抗詆毀性檢測。通過仿真模擬方案A(DC+BC)、方案B(Z+P)和方案C(DC+BC+Z+P)所識別的核心開發(fā)者流失對網(wǎng)絡(luò)結(jié)構(gòu)的影響，并將相關(guān)結(jié)果與DC排序、BC排序、隨機(jī)性移除(RA)進(jìn)行對照，結(jié)果如圖4a所示。研究發(fā)現(xiàn)：相對于隨機(jī)開發(fā)者的流失，不管是何種方案下識別的核心開發(fā)者，其流失后都會(huì)導(dǎo)致大量的與之存在協(xié)作關(guān)系的開發(fā)者脫離網(wǎng)絡(luò)的最大連通子圖，對網(wǎng)絡(luò)結(jié)構(gòu)的影響較大。說明核心開發(fā)者在網(wǎng)絡(luò)中占據(jù)著重要的位置，扮演著重要的角色，有必要對其加以保護(hù)。同時(shí)也說明本文提出的指標(biāo)體系和以往研究中提出的度中心性、介數(shù)中心性都具有一定的準(zhǔn)確性。

對比不同方案識別的核心開發(fā)者流失對網(wǎng)絡(luò)的影響能夠發(fā)現(xiàn)：在圖4a中，方案B始終都處于最下方，該方案識別的核心開發(fā)者流失將會(huì)導(dǎo)致網(wǎng)絡(luò)受到最嚴(yán)重的破壞，說明當(dāng)僅僅使用了模塊內(nèi)參與度和模塊間參與度這2個(gè)評價(jià)指標(biāo)所識別出來的核心開發(fā)者重要性順序更優(yōu)，效果最顯著。其他幾種方案識別的核心開發(fā)者流失對網(wǎng)絡(luò)結(jié)構(gòu)的影響整體相差不大，但也能看出綜合考慮了4種指標(biāo)的方案C略優(yōu)于其他方案。因此，本文提出的考慮了開發(fā)者所處社團(tuán)結(jié)構(gòu)的指標(biāo)體系(模塊內(nèi)參與度和模塊間參與度)在識別核心開發(fā)者時(shí)具有一定的優(yōu)勢。

另外，在有關(guān)模塊內(nèi)參與度和模塊間參與度的計(jì)算過程中，本文使用的FUOCILN算法進(jìn)行網(wǎng)絡(luò)模塊劃分，但Newman[27]也提出了相應(yīng)的算法。由此，不同模塊劃分算法是否會(huì)對結(jié)果造成影響值得我們進(jìn)一步探究。通過計(jì)算可以發(fā)現(xiàn)：2種算法下節(jié)點(diǎn)的模塊劃分結(jié)果和模塊內(nèi)參與度、模塊間參與度初始值雖然具有一定的差異性，但經(jīng)過歸一化處理與指標(biāo)權(quán)重計(jì)算后，所得到的核心開發(fā)者名單具有極大的相似性。方案B(僅考慮模塊內(nèi)參與度和模塊間參與度)中，Newman算法得到的核心開發(fā)者Id分別為：1907,1933,2756,451,97,632,2628,1905,730,148?？梢园l(fā)現(xiàn)，名單中僅有148#開發(fā)者和885#開發(fā)者存在差異，并且在重要性排序上和FUOCILN算法的結(jié)果差距不大。同樣地，綜合考慮了度中心性和介數(shù)中心性的方案C也有類似的情況。另外，對照項(xiàng)目在GitHub社區(qū)公布的開發(fā)者貢獻(xiàn)度可知，各開發(fā)者的貢獻(xiàn)度均高于100。從圖4b也能夠發(fā)現(xiàn)：模塊劃分算法雖然對網(wǎng)絡(luò)中節(jié)點(diǎn)的模塊內(nèi)參與度和模塊間參與度的計(jì)算結(jié)果有影響，但是最終對于知識協(xié)作網(wǎng)絡(luò)核心開發(fā)者的識別結(jié)果影響不大，并且方案B始終優(yōu)于方案C。

Figure 5 Demonstration diagram of complex network

4.3 結(jié)果討論

Figure 4 Anti-defamation detection of different schemes

從上述研究可以明顯看出：不管采用何種算法進(jìn)行模塊劃分，考慮社團(tuán)結(jié)構(gòu)的指標(biāo)體系識別出的核心開發(fā)者對網(wǎng)絡(luò)抗詆毀性的影響顯著高于傳統(tǒng)指標(biāo)體系的，識別效果更優(yōu)。究其原因：一方面，基于復(fù)雜網(wǎng)絡(luò)的相關(guān)知識，如圖5所示，圖5a中共計(jì)23個(gè)節(jié)點(diǎn)，可分為4個(gè)社團(tuán)結(jié)構(gòu)。通過計(jì)算網(wǎng)絡(luò)中各節(jié)點(diǎn)的評價(jià)指標(biāo)可知節(jié)點(diǎn)3的度中心性、介數(shù)中心性和模塊間參與度均是最大的，分別為DC=7,BC=0.6124,P=0.6122；節(jié)點(diǎn)18的模塊內(nèi)參與度Z=2.2678，在網(wǎng)絡(luò)各節(jié)點(diǎn)中模塊內(nèi)參與度值是最大的。當(dāng)按照傳統(tǒng)指標(biāo)進(jìn)行考慮時(shí)，節(jié)點(diǎn)3是網(wǎng)絡(luò)中最重要的，將其移除后節(jié)點(diǎn)4和節(jié)點(diǎn)5將會(huì)脫離最大連通子圖(如圖5c所示)；但如果考慮了社團(tuán)結(jié)構(gòu)，從模塊內(nèi)參與度來看，節(jié)點(diǎn)18是網(wǎng)絡(luò)中最重要的，將其移除后節(jié)點(diǎn)19、節(jié)點(diǎn)21和節(jié)點(diǎn)22將會(huì)脫離最大連通子圖(如圖5b所示)。顯然，考慮社團(tuán)結(jié)構(gòu)識別出的節(jié)點(diǎn)18相較節(jié)點(diǎn)3能夠維系更多的節(jié)點(diǎn)保持在網(wǎng)絡(luò)的最大連通子圖之中。同樣模塊內(nèi)參與度相對較大的節(jié)點(diǎn)6(Z=2.236)，雖然度中心性和介數(shù)中心性都不是最大的，但其流失后也會(huì)造成節(jié)點(diǎn)8、節(jié)點(diǎn)9和節(jié)點(diǎn)10脫離最大連通子圖(如圖5d所示)。由此可見，考慮社團(tuán)結(jié)構(gòu)識別出的重要節(jié)點(diǎn)對網(wǎng)絡(luò)結(jié)構(gòu)影響更大。

另一方面，從現(xiàn)實(shí)角度來看，已有的大量研究也已經(jīng)發(fā)現(xiàn)開發(fā)者協(xié)作網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)和子項(xiàng)目協(xié)同演化的現(xiàn)象，子項(xiàng)目與社團(tuán)之間存在著顯著的關(guān)聯(lián)性[13,28]。開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)中也存在著明顯的社團(tuán)結(jié)構(gòu)，當(dāng)識別網(wǎng)絡(luò)中的核心開發(fā)者時(shí)，若僅僅考慮開發(fā)者節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)中的結(jié)構(gòu)屬性，往往容易忽略掉一些在整個(gè)網(wǎng)絡(luò)中并未占據(jù)重要位置但卻是某些子項(xiàng)目的核心開發(fā)者。故而加上考慮社團(tuán)結(jié)構(gòu)的模塊內(nèi)參與度和模塊間參與度指標(biāo)，能夠有效避免這類情況，識別效果更佳。

5 結(jié)束語

本文基于社會(huì)網(wǎng)絡(luò)分析的方法，以開源軟件社區(qū)AngularJS項(xiàng)目為實(shí)例，提出了一種開源軟件社區(qū)知識協(xié)作網(wǎng)絡(luò)核心開發(fā)者識別模型。在評價(jià)指標(biāo)方面區(qū)別于以往只考慮度中心性和介數(shù)中心性，將開發(fā)者的局部特征即社團(tuán)結(jié)構(gòu)考慮進(jìn)來，引入了模塊內(nèi)參與度和模塊間參與度2個(gè)評價(jià)指標(biāo)，基于TOPSIS多屬性決策方法識別出核心開發(fā)者。最后通過與真實(shí)數(shù)據(jù)對照以及網(wǎng)絡(luò)抗詆毀性的檢測探究方法的有效性，并將傳統(tǒng)的指標(biāo)體系和本文提出的指標(biāo)體系進(jìn)行對比，驗(yàn)證考慮了社團(tuán)結(jié)構(gòu)指標(biāo)體系的優(yōu)越性。研究發(fā)現(xiàn)：各方案識別出的核心開發(fā)者均具有一定的準(zhǔn)確性，與網(wǎng)站給出的核心開發(fā)者重合度較高；引入社團(tuán)結(jié)構(gòu)的指標(biāo)體系識別出的核心開發(fā)者有效性最顯著，識別效果最優(yōu)。本文提出的指標(biāo)一方面能夠進(jìn)一步豐富開源軟件社區(qū)核心開發(fā)者識別模型的指標(biāo)體系，具有一定的理論意義；另一方面也能夠?yàn)樯鐓^(qū)管理者提供一種更有效的核心開發(fā)者識別方法。同時(shí)，管理者在社區(qū)管理過程中不僅要考慮全局，也要重點(diǎn)關(guān)注一些子項(xiàng)目的核心開發(fā)者。

網(wǎng)絡(luò)科學(xué)飛速發(fā)展，在未來的研究中，我們將圍繞以下幾點(diǎn)進(jìn)行探討：(1)是否可以借鑒Kojaku等[12]的研究通過構(gòu)建開源軟件社區(qū)諸如知識網(wǎng)絡(luò)和協(xié)作網(wǎng)絡(luò)的多層復(fù)雜網(wǎng)絡(luò)，進(jìn)行多層中央邊緣結(jié)構(gòu)的相關(guān)研究；(2)借鑒Bertolero等[29]提出的復(fù)雜網(wǎng)絡(luò)中的“多元俱樂部”，探究開源軟件社區(qū)相關(guān)網(wǎng)絡(luò)中是否也存在著背景多元化的開發(fā)者社團(tuán)結(jié)構(gòu)現(xiàn)象；(3)在核心開發(fā)者識別的指標(biāo)體系方面，雖然本文已經(jīng)探討了社團(tuán)結(jié)構(gòu)的相關(guān)指標(biāo)，但在此基礎(chǔ)上是否可以進(jìn)一步借助Xu等[30]提出的“網(wǎng)關(guān)系數(shù)”探討開源軟件社區(qū)中的維系不同開發(fā)單元之間的協(xié)同的“網(wǎng)關(guān)”節(jié)點(diǎn)，值得深入研究。