Dec, 2022

使用自然语言处理技术对 Bug 报告进行自动标记

PDF
TL;DR本文提出了一种基于自然语言处理技术的方法，考虑 Bug 报告的结构化和非结构化属性，例如概述、描述、严重性、影响产品、平台和类别等信息，利用自定义数据转换器、深度神经网络和非泛化机器学习方法检索现有的相同 Bug 报告，并在大量数据来源的众多实验中展示了所提出的解决方案在召回率为 5 时的高检索准确性为 70%。
duplicate bug report detectionnlp techniquesneural networkmachine learningretrieval accuracy
发现论文，激发创造
  • Train One Get One Free: 部分监督神经网络用于 Bug 报告的重复检测和聚类

    本文提出利用神经网络的方式，同时检测软件缺陷汇报是否为重复报告，并将它们聚合成潜在的主题，并证明该模型可以取得比现有方法更好的效果，并且还可以在无监督的情况下学习到有意义的潜在聚类。

    Mar, 2019

  • DeepTriage: 探索深度学习在漏洞分配中的有效性

    利用基于注意力机制的双向循环神经网络方法提取软件故障报告中的句法和语义特征，并通过无监督学习进行调试人员分类，验证实验表明该方法相比传统的 BOW 模型和机器学习方法在排名前 10 的准确度上有所提升。

    Jan, 2018

  • 基于多文本信息和报告意图的 Bug 报告自动分类

    本研究提出了一种新的自动分类缺陷报告的方法，采用自然语言处理技术对文本信息进行预处理，并综合考虑缺陷报告的意图，包括 Apache、Eclipse、Gentoo、Mozilla 等四个生态系统，使用 BERT 和 TF-IDF 技术提取特征，训练分类器后实验结果表明，我们的方法的 F-Measure 从 87.3% 提高到了 95.5%。

    Aug, 2022

  • 基于 Transformer 的神经文本表示技术在错误分配中的比较研究

    本研究通过使用 DeBERTa 技术，对 53 年的开源数据集进行了自动故障调整的任务进行了量化和定性分析，结果表明 DeBERTa 是在开发者和组件分配等任务中最有效的技术。

    Oct, 2023

  • 基于开发者讨论的学习式缺陷报告解决方案描述

    为加速缺陷解决，通过综合讨论中的相关内容，包括自然语言和源代码，生成简明的自然语言解决方案描述来解决实际的软件缺陷.

    Oct, 2021

  • 利用 Transformers 自然语言处理方法对巴西法院文件进行相似性聚类

    本研究运用 BERT、GPT-2 和 RoBERTa 等 6 种转换器以及 21 万份法律诉讼专业化训练模型，通过将文件预处理十分相似的信息转化为向量、使用无监督学习方法聚类控制进行法律领域的词语判定，体现出转换器模型的优点。在这其中，RoBERTa 模型得到了进一步发展，成为了本研究的重要部分。

    Apr, 2022

  • 自监督式缺陷检测和修复

    BugLab 是一种基于机器学习的、自监督学习为主的程序分析方法，通过两个模型共同训练，可以有效地发现和修复代码中的错误，提高了 2374 个真实缺陷数据集的检测和修复准确度，同时发现了 19 个以前未知的错误。

    May, 2021

  • 基于语义相似性的安全测试工具结果聚类

    本研究旨在使用自然语言处理技术对安全测试工具报告中的安全问题进行聚类，以便更好地发现问题特定的重复发现。通过开发一个 Web 应用程序进行注释和评估安全测试工具报告的人类注释语料库，并使用自动分组安全发现的不同语义相似性技术进行比较。最终进行了定量和定性方法的评估结果。

    Nov, 2022

  • 用于安全管理的航空事故报告自然语言处理

    本文探讨了自然语言处理方法在支持航空安全事件报告分析方面的应用，并提出使用基于转换器的分类器、主题建模和文本摘要模型等方法实现自动化的事件报告标记和概括生成。实验结果表明这些方法可以有效帮助分析出安全事件报告中的关键主题和潜在原因。

    Jan, 2023

  • 使用统计自然语言处理技术为查询建议相关问题

    本研究提出一个自我学习的组合方法，通过引入具有权重的句法和语义相似度指标来确定来自预定数据库的类似问题，通过全面分析证明其效率和功效高于现有文献。

    Apr, 2022