近年来,开源技术和开源软件深刻影响着人类社会生产的方方面面,构成了现代数字世界的路与桥。开源技术的蓬勃发展与开源社区的繁荣息息相关,开源软件的可持续发展需要稳定的社区贡献者支持,规模庞大的开发者和开源软件项目构成了复杂的开源生态。随着大数据时代的到来,开源生产领域积累了海量数据,如何利用机器学习和数据挖掘方法从数据中洞察出有价值的信息,对于数字化社区治理和开源生态的可持续发展具有重要意义。相似性度量在数据挖掘领域具有重要研究价值,开源项目的相似性度量是开源数据分析和社区治理的子任务之一,旨在通过构建相似性衡量指标,从非结构化、海量的数据中自动抽取出项目之间的隐式相似信息,在开源技术分类、开源群体画像和开源项目推荐等任务上具有重要应用价值。目前,开源治理等应用场景下尚不存在有效的开源软件相似性度量方法,与开源软件相关的研究工作主要集中于代码内容分析和软件之间的依赖关系。开源社区生态遵循分布式群体协作的开发模式,具有显著的社交语义信息。本文基于开源社区生态演化过程中的历史事件数据,从开源场景下的特殊协作社交语义出发,首次提出基于异质图表征学习的开源软件项目相似性度量方法,本文的主要贡献如下:·构建基于海量开源社区生态历史数据的基础设施。为了表示开源社区生态随着时间的演化过程,本文选取GitHub作为目标平台,从两个不同的数据源收集相对完整的开源社区中的历史事件数据。现有数据源往往非结构化,并且含有过多冗余数据。本文对多源数据进行解析、清洗整合,构造完整的开源生态全域历史事件数据以及数据基础设施,支持数据驱动的高效实时在线分析和聚合计算。·提出开源异质信息网络模式和实例生成方法。为了表示开源协作场景下的复杂交互关系,本文结合开源领域知识,设计半结构化的异质信息网络模式对数据进行建模,并引入元路径表示多节点类型之间的交互语义关系。为了能有效构建任意规模大小的异质网络实例,提出一种能够融合协作语义信息的网络实例生成方法,该方法生成的网络实例具有良好的鲁棒性。·提出基于表征学习的相似性信息提取方法。基于开源贡献者的复杂交互语义,本文设计了在元路径约束下的加权随机游走采样方法,从开源异质信息网络实例中抽取局部网络结构信息和节点相似性信息。本文构建大规模开源异质信息网络数据集进行实验,实验结果表明该方法在开源项目聚类、相似项目查询任务上优于其他对比方法。通过案例研究,本文展示了基于贡献者协作语义衡量的开源软件项目相似度衡量方法的合理性和有效性。