初衷

在github的日子里，不时会为找到一个称心如意的repo而兴奋不已。接下来就是马不停蹄的提起键盘git clone、看Readme、测效果。 但快乐的时光是短暂的，我时常为找一个类似功能的repo而伤透脑筋，除了搜索功能，我很少有获知其它repo的方式，尤其是相对冷门但是却满足我需求的repo。

灵感

我发现了一个规律，一个用户关注的领域范围是有边界的，用户存在着关注画像。这种关系若以词向量的方式表示，那么！相似度最高的repo关注者一定是同画像用户。所以，仓库是可以分组的，关注点可以用无限维度的词语表示。

以github上’https://github.com/ownerA/repo1’举例，‘ownerA/repo1’其相似度结果最高的‘ownerB/repo2’关注者一定是‘ownerA/repo1’的关注者。那么通过词向量，输入‘ownerA/repo1’，则能发现‘ownerB/repo2’。所以，不必通过关键词匹配的方式去找同类repo的工具就此诞生。暂以seenull repo 发布。

原理

还不明白什么意思？在词向量最典型应用中，通过自然语言库：

‘中国’ similar ‘北京’、‘上海’、‘广州’，

‘美国’ similar ‘华盛顿’、‘洛杉矶’、‘纽约’，

‘java’ similar ‘c#’、‘程序’、‘javascript’。

同时词向量还可以表示这种关系：

男人-男孩 similar 女人-？

内蒙-呼和浩特 similar 河北-？

有比“女孩”更好的标准答案吗？紧跟其后的小女孩、潮妈相似度极高。

石家庄 完美出现，我都想用词向量做数学运算了:)

实践-技术点

• 定期爬虫 抓取基础数据，用户对仓库的关注信息
• 词向量训练模型，目前用到word2vec
• docker容器,微服务架构，采集、训练、web服务、页面分离
• 响应式布局

TODO

• 搜索界面通过异步访问github api,对呈现仓库的description、star、fork 等信息的描述。
• 目前发布的模型基于29w个页面star记录，采集的数量级需提升。
• NOG(Not Only Github)探究，通用模型的行业化运用设计，如更精确的商品查找模型、歌曲搜索模型。