本文關(guān)鍵詞： 缺陷追蹤 缺陷報(bào)告分配 深度學(xué)習(xí)　出處：《計(jì)算機(jī)科學(xué)與探索》2017年05期 　論文類型：期刊論文

【摘要】：目前許多軟件項(xiàng)目使用缺陷追蹤系統(tǒng)來自動化管理用戶或者開發(fā)人員提交的缺陷報(bào)告。隨著缺陷報(bào)告和開發(fā)人員數(shù)量的增長,如何快速將缺陷報(bào)告分配給合適的缺陷修復(fù)者正在成為缺陷快速解決的一個重要問題。分別使用長短期記憶模型和卷積神經(jīng)網(wǎng)絡(luò)兩種深度學(xué)習(xí)方法來構(gòu)建缺陷修復(fù)者推薦模型。該模型能夠有效地學(xué)習(xí)缺陷報(bào)告的特征,并且根據(jù)該特征推薦合適的修復(fù)者。通過與傳統(tǒng)機(jī)器學(xué)習(xí)方法(如貝葉斯方法和支持向量機(jī)方法)進(jìn)行對比,該方法可以比較有效地在眾多開發(fā)者中找出合適的缺陷修復(fù)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.
【作者單位】： 北京大學(xué)高可信軟件技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金Nos.61672045,61421091 國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)No.2015CB352201~~
【分類號】：TP311.5;TP18
【正文快照】： 1引言2相關(guān)工作目前的許多軟件項(xiàng)目利用缺陷追蹤系統(tǒng)來自動自動化地為軟件缺陷推薦修復(fù)者可以大幅度減化或半自動化地管理和維護(hù)項(xiàng)目過程產(chǎn)生的缺陷報(bào)少相關(guān)人員的工作量。目前已經(jīng)有許多研究者針對告。常見的缺陷追蹤系統(tǒng)有Bugzilla、JIRA等。人們軟件缺陷修復(fù)者推薦展開了研，

本文編號：1462042