DRAGON: Neue, robuste Klassifizierung großer Software-Repository‑Sammlungen

Mit dem neuen Ansatz DRAGON können Entwickler und Forschungsteams Software‑Repositorys in riesigen Sammlungen automatisch und zuverlässig nach Themen klassifizieren. Der Algorithmus nutzt ausschließlich leichtgewichtige Signale, die in jedem Versionskontrollsystem vorhanden sind – Dateinamen, Verzeichnisstrukturen und optional das README, falls vorhanden.

Im Vergleich zu bisherigen Methoden erzielt DRAGON einen deutlichen Leistungszuwachs: Der F1‑Score bei den fünf wichtigsten Klassifikationen steigt von 54,8 % auf 60,8 %. Besonders bemerkenswert ist die Robustheit gegenüber fehlenden README‑Dateien – die Genauigkeit sinkt lediglich um 6 %, was die Anwendbarkeit in realen, dokumentationsarmen Umgebungen deutlich erhöht.

Die meisten verbleibenden Fehler sind „nahe‑Fehler“, bei denen die vorhergesagten Themen semantisch eng mit dem korrekten Thema verknüpft sind. Das bedeutet, dass die Klassifikation auch dann noch wertvolle Hinweise für die Suche und Entdeckung von Software liefert, wenn die exakte Bezeichnung nicht getroffen wird.

Als Nebenprodukt der Entwicklung von DRAGON stellt das Team zudem das bislang größte offene Datenset für Repository‑Klassifikationen bereit. Es umfasst 825 000 Repositories mit zugehörigen Ground‑Truth‑Themen, die aus dem Software Heritage‑Archiv stammen. Dieses Set bietet Forschern und Entwicklern eine wertvolle Ressource für weitere Studien und Anwendungen im Bereich der Software‑Analyse.