软件缺陷(bug)分派是将bug报告与适合解决该bug的开发人员进行匹配的过程,能够使bug得到及时修复.目前的bug分派研究大多集中于bug报告的文本分类,但根据帕累托法则,用以分类的bug报告存在数据分布不均衡现象,容易对非活跃开发者产生较差的分派效果;此外,现有的分类模型忽视了对开发人员的建模且难以挖掘bug与开发人员之间的相关性,影响了bug分派效能.为此,提出一种基于多模态融合的软件缺陷协同分派方法CBT-MF (collaborative bug triaging method based on multimodal fusion).该方法首先对bug报告进行预处理并构造bug-开发人员二部图;其次,为了缓减bug修复记录分布不均衡性的影响,通过K-means和正负采样的方法对二部图数据进行增强;为了表征开发者信息,基于图卷积模型提取二部图节点特征;最后,采用内积匹配的方法捕获bug与开发者的相关性,并通过贝叶斯个性化排序实现bug报告与开发人员的推荐与分派.在公开数据集上进行全面的实验评估,实验结果表明, CBT-MF在bug分派方面相较于多个现有先进方法表现出更优越的性能.
水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相...
详细信息
水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的,将降维后的主成分作为BiLSTM神经网络的输入,分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练,得到分解炉出口温度预测模型。通过对比验证表明,使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。
暂无评论