基于特征重要度的缺陷报告推荐方法研究

发布时间：2021-05-08 06:17

　　由于开源软件的研发与维护采用自愿参与、分散组织方式,相对于商业软件,开源软件缺陷分派存在更多的不确定性、往往具有更长的缺陷修复过程。一些像Mozilla、Eclipse等具有广泛用户的大型开源软件,随着版本迭代升级,功能日趋复杂,每天都产生大量的缺陷报告。而由于缺陷提交者水平、经验参差不齐,存在大量低质量、重复甚至无效的缺陷报告,这些报告直接影响到整个缺陷分派与修复的效率;另一方面,缺陷需要大量的结构化、半结构化信息描述,哪些信息需要重点阐述?哪些信息可以简略描述?明确这些问题,不仅能够有效指导提交者提交高质量缺陷报告,也将辅助于缺陷分派者和修复者能够快速聚焦缺陷关键特征,形成缺陷有效性准确判定和难易程度准确预测,直接和间接提升缺陷分派的效率。传统的缺陷分派推荐多是基于缺陷的文本特征,采用各类机器学习方法进行的,但预测的准确率一直较低。本文综合考虑缺陷的各类特征,分析不同类特征的重要性,设计一种既可以完成相应的缺陷预测的又同时实现了特征重要度度量的深度学习模型,并在此基础上设计融合特征权重的相似度度量方法,并改进历史缺陷分派传递图（Tossing Graph）对推荐列表进行优化,提升缺... 

【文章来源】：青岛科技大学山东省

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 研究现状
        1.2.1 基于文本的分类推荐
        1.2.2 非文本分类推荐
        1.2.3 基于传递图的推荐方法
    1.3 论文研究内容及创新点
    1.4 论文组织结构
2 相关概念和方法
    2.1 缺陷以及缺陷报告
        2.1.1 开源软件缺陷
        2.1.2 缺陷报告
        2.1.3 缺陷报告状态
        2.1.4 缺陷报告生命周期
    2.2 相关方法
        2.2.1 文本向量化方法
        2.2.2 分类方法
    2.3 本章小结
3 数据爬取与数据统计分析
    3.1 缺陷报告库
    3.2 缺陷报告爬取方法
        3.2.1 爬取入口
        3.2.2 爬取方法
    3.3 缺陷报告数据统计分析
    3.4 本章小结
4 缺陷报告特征权重的度量方法
    4.1 缺陷报告特征提取
        4.1.1 发布者经验
        4.1.2 完整性
        4.1.3 可读性
        4.1.4 社交网络
        4.1.5 文本
    4.2 方法与模型
        4.2.1 Field Attention缺陷报告预测模型
        4.2.2 Field Attention特征权重方法
        4.2.3 维度内单独特征重要度方法
        4.2.4 维度间与维度内的特征权值融合
    4.3 实验数据和评价标准
        4.3.1 实验数据
        4.3.2 评价指标
    4.4 实验及结果分析
        4.4.1 实验方法
        4.4.2 有效性重要度权重度量实验及分析
        4.4.3 修复快慢重要度权重度量实验及分析
        4.4.4 维度内特征重要度实验及分析
    4.5 本章小结
5 基于特征重要度的缺陷报告推荐方法
    5.1 方法模型
        5.1.1 基于特征重要度权重相似度计算方法
        5.1.2 传统Tossing Graph
        5.1.3 Tossing Assign
    5.2 实验设计
        5.2.1 数据准备
        5.2.2 实验方法
        5.2.3 评价指标
    5.3 实验结果
        5.3.1 与机器学习推荐方法对比
        5.3.2 与不加入重要度权值和Tossing Graph的方法对比
    5.4 结果分析
    5.5 本章小结
总结与展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3174833