[11-18] 组会内容介绍：基于协作信息抽取工具GH_CoRE(GitHub_Collaboration_Relation_Extraction)的异质图构建与相关下游任务讨论

[birdflyi]

Description

GH_CoRE简介

GH_CoRE(GitHub_Collaboration_Relation_Extraction)是一个基于GitHub日志数据抽出协作信息的工具，其中协作信息包含EventAction和Reference两种类型。

Feature

• 更丰富的节点类型和边类型
  • 15种有效节点类型
  • 2种边大类，其中EventAction关联按event trigger细分，Reference关联暂未划分子类型
• 针对Issue、PullRequest、SHA、Repo、Actor等节点在文本中的缩写识别
• 针对PullRequest的不唯一issue_id的同一节点合并
• 对不同项目中的实体id扩展，以确保在全域中的id唯一性
• 针对GitHub默认项目托管服务意外的类型细分，便于研究从内部引用到外部引用的细分范围
• 包含实体搜索(Entity Search)服务，即从GitHub事件日志查询实体属性以及GitHub事件日志记录的功能
  • 包含连接clickhouse数据库（详见OpenDigger数据，也可建立自己的数据库，见AuthConf，或建立空表以只使用GitHub API查询服务）的数据，以减少访问GitHub API的次数，降低GitHub token受限制导致查询失败的风险
  • 包含Cache功能，对于查询过的记录保存默认200个键值对，可以减少实体搜索任务量，降低查询失败风险，加速处理；
• 存储结构(reference relation csv headline design)
  • 包含14个特征列：columns = ["src_entity_id", "src_entity_type", "tar_entity_id", "tar_entity_type", "relation_label_id", "relation_type", "relation_label_repr", "event_id", "event_trigger", "event_type", "event_time"], columns_extend_field = ["tar_entity_match_text", "tar_entity_match_pattern_type", "tar_entity_objnt_prop_dict"]
  • columns_extend_field仅当relation_type为Reference时才会有值，这是因为Reference是从评论等事件的文本中识别命名实体，再经过实体搜索，将返回的实体type和实体id作为target节点的"tar_entity_id", "tar_entity_type"的。
• 可构建网络Type(值域参考Stanford Large Network Dataset Collection)
  • Event Netwok, Reference Network, and any other derived networks, Type: [Directed, Unsigned, Temporal, Attributed, Non-enbeddings]
  • 可以通过过滤PullRequestEvent的pr_merged的状态，或者根据IssueReactionEvent及含有文本事件的body的情感倾向，将网络类型由Unsigned转为Signed；可以通过反查含文本实体的文本内容，为网络节点附加向量表征，为网络类型增加额外的Embeddings以增强相应的下游任务（如情感倾向预测、链接预测）的评分.
• 任务相近的项目
  • empiricalstateofmind/eventgraphs，Type: [Directed, Temporal]
  • soc-RedditHyperlinks(Social Network: Reddit Hyperlink Network), Type: [Directed, Signed, Temporal, Attributed], Description: Hyperlinks between subreddits on Reddit.

相关Issue

• 305

[birdflyi]

下游任务暂时未完全确定。 韩博似乎提到了检索增强生成，可能会有助于 #307 的融合领域知识和社区历史部分。