English
Duplicate Bug Report Detection Using Dual-Channel Convolution Neural Networks
文件大小：
19k
资源说明：《使用双通道卷积神经网络的重复bug报告检测》这篇论文提出了一种创新的方法来解决软件开发中的重复bug报告问题。传统的bug报告检测通常依赖于人工检查，效率低下且容易出错。论文作者受到图像处理领域的启发，将卷积神经网络（CNN）应用到文本数据上，特别是bug报告的文本分析。
文章的贡献主要集中在以下四点：
1. 将bug报告看作是双通道矩阵，类似于图像处理中的灰度图像和彩色图像的概念。一个bug报告被表示为一个单通道矩阵，两个报告的矩阵组合形成双通道矩阵，用以区分重复和非重复的bug报告。
2. 使用词嵌入技术将每个错误报告转化为二维矩阵，便于CNN处理。相比于RNN和LSTM等其他神经网络模型，CNN更擅长处理多通道输入，能有效地捕捉文本中的上下文关系。
3. 设计了一个包含数据预处理、训练和部署三个阶段的DC-CNN框架。在预处理阶段，提取了错误报告的关键信息（如组件、产品、摘要和描述），进行了文本清洗和标准化。接着使用word2vec模型捕捉语料库的语义规则，并将文本表示为单通道矩阵。构建双通道矩阵进行训练和测试。
4. 提出了一种CNN模型，其中包含了不同大小的卷积核，用于从错误报告对中提取特征。模型的第一卷积层有三个分支，每个分支对应不同大小的内核，以捕获不同长度的上下文信息。通过多次卷积和池化操作，最终得到用于分类的特征向量。
CNN模型的工作流程如下：通过卷积层提取特征，接着通过池化层减少数据维度并保留关键特征，最后通过全连接层进行分类。模型的输出是一个独立的概率值`¿predict`，代表两个报告之间的预测相似性。损失函数被设定为与Sigmoid激活函数相适应的形式，以确保输出值在0和1之间，表示相似度。
论文还介绍了评估方法和实验设置，使用了来自三个开源项目的数据集，并将它们合并成一个“combined”数据集，以验证方法的有效性。通过与其他方法的对比实验，展示了双通道CNN模型在检测重复bug报告方面的优越性能。
这篇论文引入了一种新颖的深度学习方法，利用双通道CNN来提高bug报告重复性的检测效率，降低了开发人员的工作负担，有助于提升软件开发的质量和效率。这种方法不仅在理论上具有创新性，而且在实践中也显示出良好的应用前景。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
