[发明专利]一种采用加权优化训练集增强自动Bug报告分配的方法

说明书

本发明公开了一种采用加权优化训练集增强自动Bug报告分配的方法，该方法通过对bug报告数据集进行加权处理，提高短描述中的信息频度，并结合特征选择算法与实例选择算法，同时减少噪音单词和冗余实例，得到规模更小且质量更高的训练集，提高了bug分类的准确率，节省了bug分配所需的时间成本和人力成本，提升了工作效率。

技术领域

本发明涉及数据处理分类技术领域，尤其涉及一种采用加权优化训练集增强自动Bug报告分配的方法。

背景技术

目前，一些研究者试图解决bug报告分类问题。G.C.Murphy等在文件[1]首先提出将bug指派问题转成文本分类问题来解决，即将文本分类技术应用到bug仓库中。Anvik在文件[2]等人将bug分配问题半自动化，先利用文本分类技术训练预测出多个开发者，然后将这些开发者当作候选供专家来选择。Jeong等人在文件[3]提出了tossing图的概念，通过对分类结果进行tossing图过滤来提高分类准确率。Xuan等人在文件[4]使用半监督分类方法，用一部分已有标签的bug实例来帮助标记标签未知的实例，随后将所有的实例用来训练预测。Zou等人在文件[5]首先将数据约简技术应用到分类的训练集中。上述基于bug分配的研究与改进大都忽略了数据集本身的问题。现有工作主要集中在对bug报告的原始数据和文本进行分析方面，而文本的自然语言中包含的噪声信息在很大程度上被忽略了。如果bug报告的自然语言描述中含有很多噪音，则无论对分类算法如何进行优化，分类效果也不会特别好。

发明内容

根据现有技术存在的问题，本发明公开了一种采用加权优化训练集增强自动Bug报告分配的方法，具体采用如下步骤：

S1：从Bug仓库中获取原始训练集数据，对原始训练集进行预处理：从原始训练集中过滤掉低效开发者处理的bug报告，对筛选出的数据集中的bug报告分别提取短描述及第一个长描述作为该bug报告的描述信息，对每个bug报告的描述信息进行分词去停用词处理，再将bug报告的短描述和长描述分别处理成文本矩阵S_BR和文本矩阵L_BR；

S2：对预处理后的Bug报告进行加权处理：即对短描述生成的文本矩阵S_BR乘以一个权重值η再与长描述生成的文本矩阵L_BR相加，将加权处理后的文本矩阵作为训练集文本矩阵W_BR；

S3：对训练集文本矩阵W_BR进行约简处理：首先用4种特征选择算法和4种实例选择算法分别对训练集文本矩阵W_BR进行维度和行数的约简，从特征选择和实例选择算法中分别挑选最佳约简算法，将两个最佳约简算法进行组合对训练集文本矩阵W_BR进行约简获得最终训练集文本；

S4：对最终训练集文本采用朴素贝叶斯算法进行学习训练获得分类模型；

S5：将新bug报告输入分类模型内进行分类处理输出该bug报告的指派开发者。

进一步的，所述S2中对预处理后的Bug报告进行加权处理采用如下算法：

上式中η表示对短描述生成的文本矩阵的权重值，m表示训练集中的bug报告数目，n表示训练集中不同单词的数目。

由于采用了上述技术方案，本发明提供的一种采用加权优化训练集增强自动Bug报告分配的方法，通过对bug报告数据集进行加权处理，提高短描述中的信息频度，并结合特征选择算法与实例选择算法，同时减少噪音单词和冗余实例，得到规模更小且质量更高的训练集，提高了bug分类的准确率，节省了bug分配所需的时间成本和人力成本，提升了工作效率。

附图说明