Jun, 2023

软件问题的自动分配和分类

PDF
TL;DR本论文提出了一种分类方法，使用一系列经过精心筛选的语言特征来识别错误的类型，并将错误分配给设计师、开发人员、测试人员和领导者这四个角色中的一个，表明了其更一般的解决方案。与深层语言模型相比，我们使用浅层机器学习模型和集成方法，并展示其在精度上的可比性。
software issuesclassification approachlinguistic featuresshallow machine learningensemble methods
发现论文，激发创造
  • 应用大型语言模型 API 解决问题分类问题

    该研究旨在开发一种自动化方法，通过使用 Generative Pre-trained Transformers 等模型来准确标记和优先处理问题报告，减少对大量训练数据的依赖，为软件工程中的问题优先级提供更易于获得和高效的解决方案。

    Jan, 2024

  • 基于集成分类器的自动单标签专利分类

    本文使用词向量和深度学习技术研究专利分类的任务，并尝试使用不同的特征表示和基于专利文件不同部分的集成分类器。结果表明，与目前最先进的独立解决方案相比，分类器的集成架构显著优于独立解决方案。

    Mar, 2022

  • 开源机器学习项目中实际缺陷的比较分析 -- 一篇注册报告

    研究了机器学习系统和传统软件系统之间的问题报告需求和解决过程的差异，并通过 GitHub 上的应用机器学习项目中的真实问题报告，探究了机器学习问题和非机器学习问题的解决时间和代码修改量等方面的差异。

    Sep, 2022

  • CatIss：使用 Transformer 对问题报告进行智能分类的工具

    本论文介绍了 CatIss，一种基于 Transformer 的预训练 RoBERTa 模型的自动 ISSue 报告分类器。该模型成功在 NLBSE 工具竞赛提供的数据集中进行了微调，经评估其在约 8 万个 GitHub issue 报告上表现良好，取得了 87.2％的 F1 分数。此外，CatIss 是一种通用的预测模型，可应用于任何未见过的软件项目或历史数据很少的项目。

    Mar, 2022

  • 机器学习软件系统中的质量问题

    本文旨在从实践者的角度研究机器学习软件系统中的质量问题，通过一系列采访和调研，我们创建了一个包含 18 个质量问题和 24 个解决策略的目录，这将有助于开发高效的质量保证工具。

    Jun, 2023

  • 应用 API 域标签于问题追踪系统

    该研究讨论了利用 API 域自动标记 Open Source 软件项目中的问题，证明了 API 域对于新手选择任务的有效性，并提出了高精度的预测模型。

    Apr, 2023

  • 开放源代码项目问题跟踪系统中的任务驱动技能识别支持

    通过自动标记问题策略来帮助开源软件贡献者选择要贡献的任务，使用社交网络分析度量从问题讨论中提取新的预测量，预测 API 域标签并使用技能本体论来协助贡献者寻找合适的任务。该研究表明，标记问题并组织它们是开源软件社区中各种角色的重要策略，API-domain 标签对于经验丰富的从业者是相关的，预测具有平均精度为 75.5％。

    Nov, 2022

  • 集成模型在缺陷预测中的功效的可理解性分析

    本文介绍了两种基于人工智能的方法，即单个人工智能模型和集成人工智能模型的效果比较和分析，用于预测 Java 类存在错误的概率。实验结果表明，集成人工智能模型的性能优于单个人工智能模型，同时揭示了提升集成人工智能模型性能的因素，这为提高错误预测结果的可靠性提供了潜力。

    Oct, 2023

  • 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

  • 有害评论分类的挑战：深度误差分析

    该研究提出了一种新的集成方法来解决有毒评论分类问题，并比较了不同的深度学习和浅层方法。该方法优于所有个体模型，同时对其结果进行了验证和分析，发现了当前方法的瓶颈和未来研究方向，如语境不全和标签不一致的问题。

    Sep, 2018