.png){kind=icon}
返回
Knowledge Bases and Representation Learning Towards Bug Triaging
.png){kind=icon}
OA
AI
DOI：10.3390/make7020057.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
每天有大量用户和开发者在缺陷跟踪系统中提交缺陷报告。软件维护者手动将这些缺陷报告分配给适当的开发者进行修复，这是一个耗时的工作。许多缺陷三检（bug-triaging）方法已被开发出来以自动化此过程。然而，大多数先前的研究主要关注分析文本内容，未能充分利用缺陷跟踪系统中嵌入的结构化信息。事实上，这种结构化信息在缺陷三检中起着重要作用，反映了缺陷跟踪过程和历史活动。为了进一步提高自动缺陷三检的性能，本研究提出了一种新的知识库表示学习模型PTITransE，该模型通过增强文本实体描述的嵌入来扩展TransE，更适合缺陷三检。此外，我们首次尝试将知识库和链接预测技术应用于缺陷三检。对于每个新的缺陷报告，所提出的框架可以利用实体和关系的习得嵌入推荐前k名开发者来修复该缺陷报告。在三个真实项目上的评估表明，我们的方法优于基线缺陷三检方法，并能缓解缺陷三检中的冷启动问题。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
暂无期刊信息
机构
引用论文
KSAP: An approach to bug report assignment using KNN search and heterogeneous proximityKSAP: 一种使用KNN搜索和异构邻近度的错误报告分配方法
PREAI
分享收藏Learning to rank relevant files for bug reports using domain knowledge.png)
Proceedings of the 22nd ACM SIGSOFT International Symposium on Foundations of Software Engineering
Proceedings of the 22nd ACM SIGSOFT International Symposium on Foundations of Software EngineeringIF0
PREAI
分享收藏分享收藏
查看更多内容