代码评审是软件过程的重要组成部分,是代码质量保障的重要措施,其重要性在现代软件开发中日益凸显。然而,随着现代软件的快速发展,如何从大量相关人员中及时找到合适的评审者已成为代码评审实践中的重要问题。现阶段的代码评审者推荐实践研究主要存在两个方面的问题。其一,目前评审者推荐研究主要集中在开源项目,鲜有大型企业场景下的优秀实践报告。其二,目前代码评审者推荐研究通常基于单一既定规则,尽管已有研究尝试使用机器学习模型综合多角度特征推荐评审者,但推荐规则与机器学习模型的融合效果欠佳。本研究通过企业调研,明确了企业代码评审流程、评审者选择策略和数据基础,然后提出一种有效支持复杂企业项目评审者推荐的框架,即FPS-RF Recommender。该框架以机器学习分类模型为基础,从人员、代码和文件路径三个角度抽取特征,使用随机森林分类模型实现推荐目标。创造性地,该框架基于TF-IDF算法将文件路径相似度转化为文件权重特征,将传统的文件相似度比较方法和机器学习推荐方法相结合,避免了现有研究中存在的文件路径特征维度过高的问题。为验证提出框架的有效性和先进性,本研究在8个企业项目上进行实验,对比分析了传统的基于文件路径相似度规则推荐的方法,基于决策树、支持向量机和朴素贝叶斯模型的现代智能推荐方法。实验结果表明,以随机森林作为分类器的FPS-RF Recommender在所有项目上均实现了最佳的推荐效果,其Top-5和Top-1的最优准确率分别达到87.8%、78.7%。为进一步提高本框架在企业代码评审实践中的推荐准确性,本文采用一种逆向时序验证模型以分析不同时间跨度的训练集规模对评审者推荐的影响。实验表明,在实践中选择较近时间跨度内的评审记录作为训练集可以提高推荐性能。本研究还详细分析了评审者推荐的若干影响因素,包括评审流程、数据可用性和人员变动等因素,为企业项目代码评审者推荐提供了重要参考。