ManQ: Many-objective optimization-based automatic query reduction for IR-based bug localization
- 论文下载地址: 下载链接
- 作者: Sungkyunkwan University, Seobu-ro, Jangan-gu, Suwon, Republic of Korea
- Affiliation: 韩国 崇光大学
- 发表: Information and Software Technology
- 发表年份: 2020年
- 关键词: Bug report, Information retrieval-based bug localization, Automatic query reduction, Many-objective optimization
摘要
这篇文章提出了一种名为ManQ的自动查询缩减（AQR）方法，用于信息检索-based bug localization（IRBL）。ManQ采用了多目标优化的方法，通过综合优化15个目标函数，包括维护查询质量、保留关键术语、维护初始信息和减少查询长度，以提高查询质量。实验结果显示，ManQ能够显著改善质量较差的查询，提高IRBL性能。未来工作计划包括设计静态目标函数以及权重分析，以进一步改进该方法。
创新点与借鉴点
创新点：
- 提出了基于多目标优化的自动查询缩减方法ManQ，用于信息检索-based bug localization (IRBL)。这种方法综合考虑了多个目标函数，以提高查询的质量。
- 设计了15个目标函数，这些目标函数涵盖了维护查询质量、重要术语、初始信息和最小化查询长度等方面，以确保生成的子查询具有更好的性能。
- 使用非支配排序遗传算法III（NSGA-III）来搜索最优的子查询。通过多目标优化方法，ManQ能够找到最适合IRBL的查询子集。
借鉴点：
- 借鉴了多目标优化技术的应用，将其应用于自动查询缩减领域，以综合考虑多个查询目标，并找到一个全面满足这些目标的查询子集。
- 借鉴了基于信息检索的bug localization方法，在此基础上引入自动查询缩减技术，以提高查询的质量和性能。
- 借鉴了非支配排序遗传算法III（NSGA-III）作为优化算法的选择，用于搜索最优解。这种算法能够在多目标优化问题中找到一组非占优解，帮助找到最佳的查询子集。
总结
本文研究背景是信息检索-based bug localization (IRBL) 方法，旨在使用bug报告作为查询定位程序中的错误源代码文件。以往的方法通常使用单一目标优化技术进行自动查询缩减，但存在丢失关键术语或降低查询质量的问题。本文提出了一种基于多目标优化的AQR方法，名为ManQ，旨在综合考虑多个目标来提高查询质量。ManQ使用15个目标函数，包括维护查询质量、重要术语、初始信息和最小化查询长度等方面，以找到高质量的查询。该方法使用非支配排序遗传算法III（NSGA-III）来找到最优的子查询。