[发明专利]一种基于卷积和循环神经网络的软件Bug分派方法

权利要求书

1.一种基于卷积和循环神经网络的软件Bug分派方法,其特征在于：包括以下步骤：

S1:从选定的开源项目中获取原始bug报告数据集，并对其进行预处理成训练集和测试集；

S2：将训练集中的样本依次输入CLBT模型中，训练CLBT模型中所有的参数直至收敛完成该模型的训练；

S3：将测试集中的样本依次输入完成训练的CLBT模型中，每个样本都返回一个针对全部开发者的推荐概率，将该样本分派给概率最大的开发者。

2.根据权利要求1所述的一种基于卷积和循环神经网络的软件Bug分派方法，其特征还在于：S1中具体采用如下方式：

S11：筛选bug报告：保留确认被修复bug报告，删除修复bug报告数量过少的开发者及由他们修复的bug报告；

S12：提取文本信息：对bug报告的文本信息进行分词、词干化和去停用词，删掉出现频率过高或者过低的单词；

S13：提取开发者活跃度信息：从每条bug报告对应的时间节点向前推移一段时间，统计这段时间内跟当前bug报告同属一类的历史bug报告，依次提取同属一类的历史bug报告的修复者，组成当前bug报告的开发者修复序列；

S14：将完成预处理的数据集划分成训练集和测试集。

3.根据权利要求1所述的一种基于卷积和循环神经网络的软件Bug分派方法，其特征还在于：S2中建立并训练CLBT模型具体采用如下方式：

S21：编码文本信息和开发者活跃度信息：使用一位有效码将所有单词处理成等长的向量，对开发者同样处理成等长的向量；

S22：将编码好的文本向量输入双向循环神经网络，来抽取单词之间的语序特征；

S23：提取单词的语义及其上下文特征：将编码好的文本向量输入卷积神经网络，使用多个大小不相等的卷积核在单词序列上滑动以获取高层特征，得到多个不同卷积核下的特征映射，对该特征映射采用最大池化的方式降低输出的维度、保留显著特征，将保留的显著特征作为提取的高层特征；

S24：将编码好的开发者活跃度信息输入单向循环神经网络，抽取开发者活跃度的高层特征；

S25：将S22至S24中产生的语序特征、语义及其上下文特征和开发者活跃度的高层特征以元素间相乘的方式进行融合，将融合后的特征输入到输出层；

S26:输出层经过softmax函数的计算之后，得到对每个开发者的推荐概率。

4.根据权利要求1所述的一种基于卷积和循环神经网络的软件Bug分派方法，其特征还在于：S3中具体采用如下方式：

S31：读取训练好的神经网络模型，维持所有参数不变，输入经过预处理的测试集；

S32：针对测试集中的每个样本，返回开发者推荐列表。