.png){kind=icon}
返回
RABTR: Retrieval-Augmented Bug Triage With Reasoning
.png){kind=icon}
OA
AI
DOI：10.1109/access.2026.3733430.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动缺陷分派旨在为新报告的问题推荐合适的开发者。虽然先前的工作侧重于提高推荐准确性，但很少关注为开发者提供这些推荐的理由。本文提出了一种检索增强的缺陷分派框架，集成了预测和解释。我们提出了基于检索的自动缺陷分派（RABT），一种语义检索方法，使用基于向量的嵌入识别相似的过去问题，以及带有推理的检索增强缺陷分派（RABTR），一种推理方法，根据检索到的证据生成自然语言解释。为评估我们方法的实际效用和鲁棒性，我们在六个真实数据集上进行了实验。我们进一步进行了时间分割评估以反映真实维护场景，其中RABT在top-10准确率上持续优于包括TF-IDF、BM25和DBRNN-A在内的最先进方法，最高提升26.10个百分点。为评估生成的解释质量，我们引入了一种基于清单的评估方法，结合了GPT-4.1和人工标注。结果表明，模型和人工评估在准确率、精确度和简洁性等关键维度上高度一致。消融分析也表明，解释质量对检索输入高度敏感，强调了语义检索在推理增强系统中的重要性。我们的发现突显了整合语义检索和基于大型语言模型的推理以提升自动缺陷分派透明度和有效性的潜力。
Keyword:
Bug triage
semantic retrieval
LLM-based explanation
human evaluation
software maintenance
