使用词嵌入和增强型卷积神经网络提高bug定位
- 论文下载地址: 下载链接
- 作者: Yan Xiao, Jacky Keung, Kwabena E. Bennin, Qing Mi
- 学校: 香港城市大学计算机科学系
- 发表: Information and Software Technology
- 发表年份: 2019年
- 关键词: Bug localization, Convolutional neural network, Word embedding, TF-IDF, Deep learning, Semantic information
摘要
在软件维护的背景下，自动化Bug定位是提高软件质量保证团队效率和生产力的重要任务。本文探讨了如何改进Bug定位性能，特别关注了传统方法中未充分利用的语义信息。我们引入了词嵌入技术，将Bug报告和源代码转化为向量表示，并采用增强型卷积神经网络来提取特征，以更好地捕捉语义关联。通过在不同设置下对模型性能进行评估，我们的实验结果表明，这种方法在Bug定位任务中取得了显著的改进，为提高软件维护效率和生产力提供了有力支持。
创新点与借鉴点
- 引入词嵌入技术： 本文的创新之一是引入了词嵌入技术，将Bug报告和源代码转化为向量表示。这种方法允许文章捕捉文本之间的语义关系，而不仅仅是表面的文本相似性。
- 增强型卷积神经网络： 作者使用了增强型卷积神经网络（CNN）来提取Bug报告和源代码的特征，并关联它们。这个增强型CNN考虑了线性和非线性关系，这在传统方法中通常被忽略。
- 性能改进： 实验结果表明，这种方法在Bug定位任务中取得了显著的性能改进。这意味着作者的方法可以更准确地定位软件中的缺陷，从而提高了软件维护的效率和生产力。
总结
- (1): 本文研究背景是提高Bug定位的自动化，以提高软件质量保证团队的效率和生产力。该任务是在软件维护中找到和修复Bug，特别是在大型项目中，这涉及查看大量的源代码文件和Bug报告。
- (2): 过去的方法通常侧重于分析Bug报告和源代码中的文本相似性，但忽略了语义信息。这些方法的问题在于它们未能充分利用语义信息，导致性能不佳。本文的方法受到深度学习技术的启发，采用词嵌入和增强型卷积神经网络来提取语义特征，以解决这些问题。
- (3): 本文提出的方法使用词嵌入技术将Bug报告和源代码转化为向量表示，然后使用卷积神经网络（CNN）来提取特征。增强型CNN用于关联Bug报告和有缺陷的文件，包括线性和非线性关系。
- (4): 本文方法的性能在不同设置下进行了评估，实验结果表明，与传统方法相比，它在Bug定位任务中取得了更好的性能，支持了提高软件维护效率和生产力的目标。