深度学习在缺陷修复者推荐中的应用

发布时间：2018-01-25 04:54

  本文关键词： 缺陷追踪 缺陷报告分配 深度学习　出处：《计算机科学与探索》2017年05期 　论文类型：期刊论文

【摘要】：目前许多软件项目使用缺陷追踪系统来自动化管理用户或者开发人员提交的缺陷报告。随着缺陷报告和开发人员数量的增长,如何快速将缺陷报告分配给合适的缺陷修复者正在成为缺陷快速解决的一个重要问题。分别使用长短期记忆模型和卷积神经网络两种深度学习方法来构建缺陷修复者推荐模型。该模型能够有效地学习缺陷报告的特征,并且根据该特征推荐合适的修复者。通过与传统机器学习方法(如贝叶斯方法和支持向量机方法)进行对比,该方法可以比较有效地在众多开发者中找出合适的缺陷修复者。
[Abstract]:Currently, many software projects use defect tracking systems to automate the management of defect reports submitted by users or developers. How to quickly assign defect report to the appropriate defect fixer is becoming an important problem to solve the defect quickly. Two deep learning methods, long-term and short-term memory model and convolutional neural network, are used to construct defect repair. This model can effectively learn the characteristics of defect reports. According to this feature, we recommend a suitable prosthesis and compare it with traditional machine learning methods (such as Bayesian method and support vector machine method). This method can find out the suitable defect fixer among many developers.
【作者单位】： 北京大学高可信软件技术教育部重点实验室;
【基金】：国家自然科学基金Nos.61672045,61421091 国家重点基础研究发展计划(973计划)No.2015CB352201~~
【分类号】：TP311.5;TP18
【正文快照】： 1引言2相关工作目前的许多软件项目利用缺陷追踪系统来自动自动化地为软件缺陷推荐修复者可以大幅度减化或半自动化地管理和维护项目过程产生的缺陷报少相关人员的工作量。目前已经有许多研究者针对告。常见的缺陷追踪系统有Bugzilla、JIRA等。人们软件缺陷修复者推荐展开了研，

本文编号：1462042