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%