该论文针对社交编码仓库（如GitHub）中的用户画像与漏洞引入预测问题，提出了一种基于动态图嵌入的新方法。传统漏洞预测多依赖静态代码特征或提交历史，但忽略了开发者行为与项目协作关系的演化。作者将仓库中的开发者、代码提交、文件等实体建模为动态图，利用图嵌入技术捕捉结构化信息和时序变化，从而预测特定代码提交是否可能引入安全漏洞。通过结合项目元数据、开发者交互模式以及随时间演变的图结构，方法能够生成反映当前风险状态的用户画像，并用于训练分类模型。论文在多个真实开源项目数据集上进行了评估，结果表明该方法在漏洞引入预测的准确率与早期检测能力上优于现有基线。主要贡献包括：构建动态社会编码图谱的流程、基于时间窗口的嵌入学习框架，以及针对漏洞注入风险的用户行为特征分析。适合软件安全、漏洞预测和图机器学习方向的研究人员阅读。