發(fā)布時間：2018-01-25 04:54

  本文關鍵詞： 缺陷追蹤 缺陷報告分配 深度學習　出處：《計算機科學與探索》2017年05期 　論文類型：期刊論文

【摘要】：目前許多軟件項目使用缺陷追蹤系統(tǒng)來自動化管理用戶或者開發(fā)人員提交的缺陷報告。隨著缺陷報告和開發(fā)人員數(shù)量的增長,如何快速將缺陷報告分配給合適的缺陷修復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)絡兩種深度學習方法來構建缺陷修復者推薦模型。該模型能夠有效地學習缺陷報告的特征,并且根據(jù)該特征推薦合適的修復者。通過與傳統(tǒng)機器學習方法(如貝葉斯方法和支持向量機方法)進行對比,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】： 北京大學高可信軟件技術教育部重點實驗室;
【基金】：國家自然科學基金Nos.61672045,61421091 國家重點基礎研究發(fā)展計劃(973計劃)No.2015CB352201~~
【分類號】：TP311.5;TP18
【正文快照】： 1引言2相關工作目前的許多軟件項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者可以大幅度減化或半自動化地管理和維護項目過程產(chǎn)生的缺陷報少相關人員的工作量。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。人們軟件缺陷修復者推薦展開了研，

本文編號：1462042