由于開源軟件的研發(fā)與維護采用自愿參與、分散組織方式,相對于商業(yè)軟件,開源軟件缺陷分派存在更多的不確定性、往往具有更長的缺陷修復過程。一些像Mozilla、Eclipse等具有廣泛用戶的大型開源軟件,隨著版本迭代升級,功能日趨復雜,每天都產生大量的缺陷報告。而由于缺陷提交者水平、經驗參差不齊,存在大量低質量、重復甚至無效的缺陷報告,這些報告直接影響到整個缺陷分派與修復的效率;另一方面,缺陷需要大量的結構化、半結構化信息描述,哪些信息需要重點闡述?哪些信息可以簡略描述?明確這些問題,不僅能夠有效指導提交者提交高質量缺陷報告,也將輔助于缺陷分派者和修復者能夠快速聚焦缺陷關鍵特征,形成缺陷有效性準確判定和難易程度準確預測,直接和間接提升缺陷分派的效率。傳統(tǒng)的缺陷分派推薦多是基于缺陷的文本特征,采用各類機器學習方法進行的,但預測的準確率一直較低。本文綜合考慮缺陷的各類特征,分析不同類特征的重要性,設計一種既可以完成相應的缺陷預測的又同時實現(xiàn)了特征重要度度量的深度學習模型,并在此基礎上設計融合特征權重的相似度度量方法,并改進歷史缺陷分派傳遞圖（Tossing Graph）對推薦列表進行優(yōu)化,提升缺... 

【文章來源】：青島科技大學山東省

【文章頁數】：94 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 基于文本的分類推薦
        1.2.2 非文本分類推薦
        1.2.3 基于傳遞圖的推薦方法
    1.3 論文研究內容及創(chuàng)新點
    1.4 論文組織結構
2 相關概念和方法
    2.1 缺陷以及缺陷報告
        2.1.1 開源軟件缺陷
        2.1.2 缺陷報告
        2.1.3 缺陷報告狀態(tài)
        2.1.4 缺陷報告生命周期
    2.2 相關方法
        2.2.1 文本向量化方法
        2.2.2 分類方法
    2.3 本章小結
3 數據爬取與數據統(tǒng)計分析
    3.1 缺陷報告庫
    3.2 缺陷報告爬取方法
        3.2.1 爬取入口
        3.2.2 爬取方法
    3.3 缺陷報告數據統(tǒng)計分析
    3.4 本章小結
4 缺陷報告特征權重的度量方法
    4.1 缺陷報告特征提取
        4.1.1 發(fā)布者經驗
        4.1.2 完整性
        4.1.3 可讀性
        4.1.4 社交網絡
        4.1.5 文本
    4.2 方法與模型
        4.2.1 Field Attention缺陷報告預測模型
        4.2.2 Field Attention特征權重方法
        4.2.3 維度內單獨特征重要度方法
        4.2.4 維度間與維度內的特征權值融合
    4.3 實驗數據和評價標準
        4.3.1 實驗數據
        4.3.2 評價指標
    4.4 實驗及結果分析
        4.4.1 實驗方法
        4.4.2 有效性重要度權重度量實驗及分析
        4.4.3 修復快慢重要度權重度量實驗及分析
        4.4.4 維度內特征重要度實驗及分析
    4.5 本章小結
5 基于特征重要度的缺陷報告推薦方法
    5.1 方法模型
        5.1.1 基于特征重要度權重相似度計算方法
        5.1.2 傳統(tǒng)Tossing Graph
        5.1.3 Tossing Assign
    5.2 實驗設計
        5.2.1 數據準備
        5.2.2 實驗方法
        5.2.3 評價指標
    5.3 實驗結果
        5.3.1 與機器學習推薦方法對比
        5.3.2 與不加入重要度權值和Tossing Graph的方法對比
    5.4 結果分析
    5.5 本章小結
總結與展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文目錄



本文編號：3174833