基于深度學習的跨項目軟件變更預測方法研究.pdf

1、從抽象層面來看，軟件是由無數(shù)次的變更疊加而成。軟件變更是軟件開發(fā)過程中最重要的部分，也是成本消耗最多的部分，且變更成本隨開發(fā)的進展而不斷增長。軟件變更預測可以指導開發(fā)團隊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)設計、減少變更次數(shù)、控制開發(fā)成本、提高產(chǎn)品質(zhì)量。為了對軟件變更進行有效的預測，研究人員首先提出了項目內(nèi)變更預測模型，因該模型采用同項目歷史版本數(shù)據(jù)進行模型訓練使該模型缺乏可擴展性，不能有效的應用于實際場景中。為了克服項目內(nèi)

2、變更預測模型不足，跨項目變更預測模型被提出，但由于開發(fā)風格，程序語言以及開發(fā)過程等差異，其預測效果通常較差。鑒于此，本文創(chuàng)造性地將深度學習方法用于解決軟件變更預測問題，提出基于深度度量學習的軟件變更預測方法（DML）和基于深度排序?qū)W習的軟件變更預測方法（DRank）。本文主要工作如下：
　　①提取數(shù)據(jù)集，并對其標準化和平衡化處理，同時針對現(xiàn)有方法在跨項目預測中存在效果不佳的情況，本文提出了通過合并多項目訓練數(shù)據(jù)集的方式來平衡項目間

3、差異性的訓練策略，并在多個機器學習方法上驗證了該訓練策略的有效性。
　?、谔岢隽嘶谏疃榷攘繉W習的軟件變更預測方法，該方法將文件樣本特征轉換到高維空間中，使同類樣本間的距離更近，而異類樣本距離更遠。從而使用該距離對軟件變更進行預測。
　?、厶岢隽嘶谏疃扰判?qū)W習的變更預測方法，該方法使用排序后的項目文件集進行排序模型訓練，測試文件集通過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、的原則對文件樣本進行變更預測。
　　通過實驗分析發(fā)現(xiàn)，多項目合并訓練的實驗方法要明顯優(yōu)于單項目訓練的實驗方法，其中 F-measure的最高增長率可達11.16％；并且預測效果隨合并項目數(shù)量的增加呈穩(wěn)定上升趨勢。模型驗證結果表明，相對傳統(tǒng)機器學習方法，DML在綜合指標F-measure上提高率為7.01%。DRank在評估指標F-measure上較DML的提高率為15.76%，且在模型訓練效率上也處于絕對的優(yōu)勢。將深度學習用于軟件