随着软件系统的日益复杂,掌握和开发这些软件系统,需要一定的学习成本,对于大部分的程序员而言,了解软件系统的每一实现细节将是十分困难的。如果能够利用软件挖掘技术,则可以很好地辅助程序员进行开发,从而提高软件质量,保证软件开发效率,最终提升软件用户体验。因为程序员面临的问题模式种类繁多,为了更好地辅助程序员,需要能够从大规模的数据中挖掘出有价值的模式。而程序员通常倾向于在开源社区中分享代码,交流问题,因此,开源社区中积累了大量的代码和文本数据,还有编程开发中遇到的各种问题。然而,程序员在开源社区中的交流却面临着两个问题:一是如何理解代码的语义,因为开源社区中存在着大量缺乏注释的代码,为了便于交流,需要耗费大量的时间精力理解他人代码。二是如何推荐编程问题的回答,程序员在交流时会提出与编程相关的问题,而解答方案也各有不同,如果逐一审阅,将会费时费力。因此,本文从面向开源社区的角度,进行软件挖掘技术研究,从而能够从以下两个方面为程序员提供辅助。第一,针对代码语义理解问题,本文能够基于开源社区的数据模式,自动生成代码的注释信息,并且利用代码的结构信息,提出新的注意力机制,从而辅助程序员更快地理解代码语义。从实验结果可以看出,生成的注释比以往的模型生成的可读性更好。第二,针对编程问题回答推荐。本文针对开源社区中的编程相关问题,从多视图以及局部一致性和全局一致性两个方面,探索最佳回答的模式,从而能够为程序员遇到的编程问题推荐最佳回答。更具效率地解决问题。实验结果表明,本文提出的两个方面都相较以往,取得了更好的性能。