(武汉大学计算机学院 武汉 430072) (ye_liu@whu.edu.cn)
出版日期: 2020-03-01基金资助:国家重点研发计划项目(2018YFB1003801)；国家自然科学基金项目(61832014,61672387,61572371)；湖北省自然科学基金项目(2018CFB511)An Automatic Method Using Hybrid Neural Networks and Attention Mechanism for Software Bug Triaging
Liu Ye, Huang Jinxiao, Ma Yutao(School of Computer Science, Wuhan University, Wuhan 430072)
Online: 2020-03-01Supported by:This work was supported by the National Key Research and Development Program of China (2018YFB1003801), the National Natural Science Foundation of China (61832014, 61672387, 61572371), and the Natural Science Foundation of Hubei Province of China (2018CFB511).摘要/Abstract
摘要： 软件缺陷修复是软件质量保证的一个重要环节.在互联网上开源、开放的群智化软件开发环境中，提升缺陷分派的效率和效果，有助于提高缺陷修复率并降低维护成本.目前，基于机器学习的缺陷自动分派方法已成为主流技术，但也存在特征人工构建、文本表示能力不足等问题.近年来，鉴于深度学习在自然语言处理领域的成功应用，研究者尝试将深度学习技术引入缺陷分派任务中，使得缺陷修复者的预测效果有了显著提高.然而，不同类型的神经网络亦存在各自的局限性.针对上述问题，将缺陷自动分派任务视为文本分类问题，结合卷积神经网络、循环神经网络和注意力机制各自的优势，提出了一种基于混合神经网络和注意力机制的缺陷自动分派方法Atten-CRNN，能更有效地捕获缺陷报告的重要文本特征和序列特征，从而提供更精准的缺陷修复者推荐服务.在Eclipse和Mozilla两个大型的知名软件开源项目中进行了实证研究，在20万量级的缺陷报告上的实验结果表明：无论是否考虑注意力机制，Atten-CRNN的预测准确率要高于基于卷积神经网络和基于循环神经网络的基准模型.
参考文献
相关文章 15
| [1] | 廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538. |
| [2] | 张世琨, 谢睿, 叶蔚, 陈龙. 基于关键词的代码自动摘要[J]. 计算机研究与发展, 2020, 57(9): 1987-2000. |
| [3] | 杜圣东, 李天瑞, 杨燕, 王浩, 谢鹏, 洪西进. 一种基于序列到序列时空注意力学习的交通流预测模型[J]. 计算机研究与发展, 2020, 57(8): 1715-1728. |
| [4] | 李梦莹, 王晓东, 阮书岚, 张琨, 刘淇. 基于双路注意力机制的学生成绩预测模型[J]. 计算机研究与发展, 2020, 57(8): 1729-1740. |
| [5] | 陈彦敏, 王皓, 马建辉, 杜东舫, 赵洪科. 基于层级注意力机制的互联网用户信用评估框架[J]. 计算机研究与发展, 2020, 57(8): 1755-1768. |
| [6] | 李若南, 李金宝. 一种无源被动室内区域定位方法的研究[J]. 计算机研究与发展, 2020, 57(7): 1381-1392. |
| [7] | 邢新颖, 冀俊忠, 姚垚. 基于自适应多任务卷积神经网络的脑网络分类方法[J]. 计算机研究与发展, 2020, 57(7): 1449-1459. |
| [8] | 于海涛, 杨小汕, 徐常胜. 基于多模态输入的对抗式视频生成方法[J]. 计算机研究与发展, 2020, 57(7): 1522-1530. |
| [9] | 王庆林, 李东升, 梅松竹, 赖志权, 窦勇. 面向飞腾多核处理器的Winograd快速卷积算法优化[J]. 计算机研究与发展, 2020, 57(6): 1140-1151. |
| [10] | 张艺璇, 郭斌, 刘佳琪, 欧阳逸, 於志文. 基于多级注意力机制网络的app流行度预测[J]. 计算机研究与发展, 2020, 57(5): 984-995. |
| [11] | 张莹莹, 钱胜胜, 方全, 徐常胜. 基于多模态知识感知注意力机制的问答方法[J]. 计算机研究与发展, 2020, 57(5): 1037-1045. |
| [12] | 沈明珠, 刘辉. 面向技术论坛的问题解答状态预测[J]. 计算机研究与发展, 2020, 57(3): 474-486. |
| [13] | 杜鹏, 丁世飞. 基于混合词向量深度学习模型的DGA域名检测方法[J]. 计算机研究与发展, 2020, 57(2): 433-446. |
| [14] | 朱兆坤, 李金宝. 多特征信息融合LSTM-RNN检测OSA方法[J]. 计算机研究与发展, 2020, 57(12): 2547-2555. |
| [15] | 程艳, 尧磊波, 张光河, 唐天伟, 项国雄, 陈豪迈, 冯悦, 蔡壮. 基于注意力机制的多通道CNN和BiGRU的文本情感倾向性分析[J]. 计算机研究与发展, 2020, 57(12): 2583-2595. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4135
