基于深度學(xué)習(xí)的跨項(xiàng)目軟件變更預(yù)測(cè)方法研究.pdf

1、從抽象層面來(lái)看，軟件是由無(wú)數(shù)次的變更疊加而成。軟件變更是軟件開(kāi)發(fā)過(guò)程中最重要的部分，也是成本消耗最多的部分，且變更成本隨開(kāi)發(fā)的進(jìn)展而不斷增長(zhǎng)。軟件變更預(yù)測(cè)可以指導(dǎo)開(kāi)發(fā)團(tuán)隊(duì)將資源合理分配到易變更的文件中，從而能夠優(yōu)化系統(tǒng)設(shè)計(jì)、減少變更次數(shù)、控制開(kāi)發(fā)成本、提高產(chǎn)品質(zhì)量。為了對(duì)軟件變更進(jìn)行有效的預(yù)測(cè)，研究人員首先提出了項(xiàng)目?jī)?nèi)變更預(yù)測(cè)模型，因該模型采用同項(xiàng)目歷史版本數(shù)據(jù)進(jìn)行模型訓(xùn)練使該模型缺乏可擴(kuò)展性，不能有效的應(yīng)用于實(shí)際場(chǎng)景中。為了克服項(xiàng)目?jī)?nèi)

2、變更預(yù)測(cè)模型不足，跨項(xiàng)目變更預(yù)測(cè)模型被提出，但由于開(kāi)發(fā)風(fēng)格，程序語(yǔ)言以及開(kāi)發(fā)過(guò)程等差異，其預(yù)測(cè)效果通常較差。鑒于此，本文創(chuàng)造性地將深度學(xué)習(xí)方法用于解決軟件變更預(yù)測(cè)問(wèn)題，提出基于深度度量學(xué)習(xí)的軟件變更預(yù)測(cè)方法（DML）和基于深度排序?qū)W習(xí)的軟件變更預(yù)測(cè)方法（DRank）。本文主要工作如下：
　?、偬崛?shù)據(jù)集，并對(duì)其標(biāo)準(zhǔn)化和平衡化處理，同時(shí)針對(duì)現(xiàn)有方法在跨項(xiàng)目預(yù)測(cè)中存在效果不佳的情況，本文提出了通過(guò)合并多項(xiàng)目訓(xùn)練數(shù)據(jù)集的方式來(lái)平衡項(xiàng)目間

3、差異性的訓(xùn)練策略，并在多個(gè)機(jī)器學(xué)習(xí)方法上驗(yàn)證了該訓(xùn)練策略的有效性。
　?、谔岢隽嘶谏疃榷攘繉W(xué)習(xí)的軟件變更預(yù)測(cè)方法，該方法將文件樣本特征轉(zhuǎn)換到高維空間中，使同類(lèi)樣本間的距離更近，而異類(lèi)樣本距離更遠(yuǎn)。從而使用該距離對(duì)軟件變更進(jìn)行預(yù)測(cè)。
　?、厶岢隽嘶谏疃扰判?qū)W習(xí)的變更預(yù)測(cè)方法，該方法使用排序后的項(xiàng)目文件集進(jìn)行排序模型訓(xùn)練，測(cè)試文件集通過(guò)排序模型處理后能夠得到按變更可能性降序排列的文件列表，再根據(jù)排序越前面發(fā)生變更的可能性越大

4、的原則對(duì)文件樣本進(jìn)行變更預(yù)測(cè)。
　　通過(guò)實(shí)驗(yàn)分析發(fā)現(xiàn)，多項(xiàng)目合并訓(xùn)練的實(shí)驗(yàn)方法要明顯優(yōu)于單項(xiàng)目訓(xùn)練的實(shí)驗(yàn)方法，其中 F-measure的最高增長(zhǎng)率可達(dá)11.16％；并且預(yù)測(cè)效果隨合并項(xiàng)目數(shù)量的增加呈穩(wěn)定上升趨勢(shì)。模型驗(yàn)證結(jié)果表明，相對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法，DML在綜合指標(biāo)F-measure上提高率為7.01%。DRank在評(píng)估指標(biāo)F-measure上較DML的提高率為15.76%，且在模型訓(xùn)練效率上也處于絕對(duì)的優(yōu)勢(shì)。將深度學(xué)習(xí)用于軟件