Duplicate Bug Report Detection Using Dual-Channel Convolutional Neural Networks
- 论文下载地址: 下载链接
- 作者: Jianjun He, Ling Xu, Meng Yan, Xin Xia, Yan Lei
- Affiliation: Chongqing University (重庆大学)
- 发表: IProceedings of the 28th International Conference on Program Comprehension
- 发表年份: 2020年
- 关键词: duplicate bug report detection, bug tracking system, convolutional neural networks, dual-channel matrix, deep learning
摘要
本研究关注软件开发中的一个重要问题，即如何有效地检测和处理重复的Bug报告。Bug报告在开发过程中扮演着关键的角色，但由于不同报告人的表述差异，Bug跟踪系统中常常充斥着大量重复的报告。为解决这一问题，我们提出了一种基于双通道卷积神经网络（DC-CNN）的新方法。该方法首先使用Word2Vec模型将Bug报告文本转化为双通道矩阵，以捕捉文本之间的语义关系。然后，通过卷积神经网络模型对这些双通道矩阵进行训练和预测，以自动检测重复的Bug报告。我们在多个数据集上进行了实验，结果表明，我们的方法在重复Bug报告检测任务上取得了显著的性能提升，准确度、召回率、精确度和F1-Score等性能指标均表现出色。这一研究对提高Bug报告处理效率和软件开发质量具有重要意义。
创新点与借鉴点
创新点：
- 双通道矩阵表示法：该研究引入了双通道矩阵表示法，将Bug报告文本以一种结构化的方式表示出来，以捕捉文本之间的语义关系。这种方法的创新性在于结合了深度学习和自然语言处理技术，以更好地理解Bug报告之间的相似性。
- DC-CNN模型：研究提出了基于双通道卷积神经网络（DC-CNN）的新方法，用于处理Bug报告的重复性检测。DC-CNN模型具有一种独特的架构，能够有效地捕捉Bug报告之间的语义关系，这是先前研究中未曾使用的方法。
- 跨项目检测：该研究还考察了在跨项目检测设置下的方法效果，即是否可以从一个项目学习来构建检测模型并在其他项目中使用。这个创新点对于解决目标项目缺乏标记数据的情况具有重要意义。
借鉴点：
- 自然语言处理技术：该研究借鉴了自然语言处理领域的技术，特别是Word2Vec模型，用于将Bug报告文本转化为双通道矩阵。这种技术的借鉴有助于提高Bug报告的文本表示质量。
- 深度学习方法：研究借鉴了深度学习方法，特别是卷积神经网络（CNN），用于训练和预测Bug报告的重复性。这种方法的借鉴有助于提高模型性能和准确度。
- 性能指标：研究借鉴了传统的性能指标，如准确度、召回率、精确度和F1-Score，用于评估方法的有效性。这些指标的借鉴有助于进行客观的性能评估和比较。
实验
- 数据集收集与准备： 作者首先收集了多个Bug报告数据集，这些数据集包含了大量的Bug报告，其中一些是重复的。这些数据集来自不同的项目和领域，以确保方法的泛化性。数据集中包括结构化信息（如Bug ID、产品、平台等）以及Bug报告的文本描述。
- 文本预处理： Bug报告文本经过预处理，包括分词、去除停用词和标点符号等，以准备用于训练和测试模型的文本数据。
- 双通道矩阵表示： 作者使用Word2Vec模型将文本转化为20维的词向量，然后将每个Bug报告的词向量表示组合成双通道矩阵。这两个通道分别表示了不同方面的Bug报告信息，用于捕捉语义关系。
- DC-CNN模型： 提出了基于双通道卷积神经网络（DC-CNN）的模型，用于训练和预测Bug报告的重复性。该模型包括卷积层和全连接层，作者详细描述了模型的架构和超参数设置。
- 性能评估： 作者使用一系列性能指标来评估该方法的有效性，包括准确度、召回率、精确度和F1-Score。这些指标用于衡量模型的分类性能以及它在重复Bug报告检测任务上的表现。
总结
- (1): 以往的研究采用了一些特征来表示Bug报告，但缺乏提取Bug报告之间语义关系的方法。该论文提出的方法借鉴自然语言处理领域的最新研究，提出了一种基于双通道卷积神经网络的重复Bug报告检测方法。该方法利用深度学习技术，将Bug报告转化为双通道矩阵表示，并通过卷积神经网络模型捕捉Bug报告之间的语义关系。
- (2): 该论文提出的研究方法是使用双通道卷积神经网络模型来检测重复Bug报告。首先，采用Word2Vec模型将Bug报告中的文本进行预处理，并将其转化为二维矩阵。然后，将两个单通道矩阵拼接起来形成双通道矩阵，以表示Bug报告对。最后，使用卷积神经网络模型对这些Bug报告对进行训练和预测，以捕捉其相关的语义关系。