[发明专利]一种基于文本混乱度的软件问题报告分类方法

说明书

本发明公开了一种基于本文混乱度的软件问题报告分类方法，该方法包括以下步骤：1)对GitHub平台进行数据采集，所采集的数据包括大众提交的问题报告以及该报告的相关信息；2)数据集标注，通过对问题报告的标签进行人工的抽样分析，从中选取出能够表示问题报告类型的标签，从而通过这些标签实现对数据集的标注；3)对数据集进行预处理，包括对文本信息进行预处理，去除不需要的信息，并通过文本信息数字化，将文本信息转化为可以进行计算处理的数字形式；4)模型构建，利用已有的机器学习方法，构建一个两层的自动化问题报告分类器。本发明提出的方法能够提升问题报告分类的自动化水平，降低人工成本，提高大众贡献汇聚效率。

技术领域

本发明涉及一种基于本文混乱度的软件问题报告分类方法。随着开源社区的发展，开源社区中的问题管理工具中积累了海量的软件问题报告数据。这些报告包含多种类型，混合在一起难以区分，例如软件缺陷、特征需求等。良好的问题分类对于开发任务的管理有着巨大的作用，但传统的人工分类方法开销巨大，所以自动化的方法对于降低维护开销，提高软件开发与维护效率有着巨大的帮助。

背景技术

随着开源运动的推广，开发工具的支持，越来越多的人参与到开源软件的开发中来，并提供自己的贡献。在进行大众贡献时，向问题管理系统提交问题报告(issue)是开源用户进行的最多的活动之一。然而，在大型的软件项目中存在大量缺少分类标注的问题报告，需要花费巨大的人工成本进行维护和管理。因此，如何通过自动化的方法，帮助软件开发人员快速准确的明确用户提出的问题类型具有重要的意义。

目前很多研究都关注了软件问题报告的分类技术。这类技术的一个基本思路基于问题报告的标题和内容通过文本挖掘方法构建特征向量，然后使用机器学习方法来构建自动的问题报告分类器模型。目前取得性能较高的方法主要可以分为两类。第一类技术是的核心思想首先通过网络爬虫技术，从流行的开源社区中的问题管理系统获取海量的问题报告，分析报告文本(包括标题、描述信息、讨论等)中的结构化语义特征，并建立相应的向量特征模型，然后通过传统的机器学习算法来建立分类器模型。第二类技术是在上述过程的基础上结合文本挖掘技术与数据挖掘技术，充分利用问题报告中的文本语义和结构化信息来提高分类的准确率。

上述的两类分类技术能够帮助软件项目管理者较好地识别传统软件的问题报告类型，但是由于目前开源社区(如GitHub、Bitbucket等)所使用的问题管理系统更加轻量级，只需要用户提供的简单的文本描述信息，就能完成问题的报告。这样一来，用户提交报告的成本虽然被降低了，但也使得在进行问题分类时能够利用的信息大大减少。除此之外，因为提交报告的门槛降低了，问题报告的质量也受到了一定的影响。这些因素使得传统分类器的训练过程受到了较大的影响，无法很好的适应现有问题报告的新特性。

在当前流行的问题管理系统中积累的语义信息逐渐丰富，涉及到项目管理员、问题的汇报者、问题参与的讨论人员等，相应的文本的混乱度也越来越大。根据上述现象，本发明提出了一种基于文本混乱度的问题报告分类方法，辅助软件项目提升开发和维护的效率。

发明内容

本发明要解决的技术问题是：提出一种基于文本混乱度的软件问题报告分类方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于文本混乱度的软件问题报告分类方法，该分类方法具体包括以下步骤：

步骤1：对GitHub平台进行数据采集，所采集的数据包括大众提交的问题报告以及该报告的相关信息；

步骤2：数据集标注，通过对问题报告的标签进行人工的抽样分析，从而实现对数据集的标注；

步骤3：对数据集进行预处理，包括对文本信息进行预处理，去除不需要的信息，并通过文本信息数字化，将文本信息转化为可以进行计算处理的数字形式；

步骤4：分类模型构建，利用已有的机器学习方法，构建一个两层的自动化问题报告分类器；