| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-18页 |
| 1.2 主要研究内容 | 第18-21页 |
| 1.3 论文结构 | 第21-22页 |
| 第二章 相关理论及技术 | 第22-48页 |
| 2.1 软件缺陷报告管理 | 第22-24页 |
| 2.2 重复缺陷报告识别方法 | 第24-27页 |
| 2.2.1 基于信息检索的方法 | 第24-26页 |
| 2.2.2 基于机器学习的方法 | 第26页 |
| 2.2.3 基于主题模型的方法 | 第26-27页 |
| 2.2.4 和本文研究的不同 | 第27页 |
| 2.3 缺陷报告优先级和严重程度预测方法 | 第27-30页 |
| 2.3.1 缺陷报告优先级预测方法 | 第28-29页 |
| 2.3.2 缺陷报告严重程度预测方法 | 第29-30页 |
| 2.3.3 和本文研究的不同 | 第30页 |
| 2.4 缺陷修复人员推荐方法 | 第30-34页 |
| 2.4.1 基于机器学习的方法 | 第30-31页 |
| 2.4.2 基于流转关系的方法 | 第31-32页 |
| 2.4.3 基于协作关系的方法 | 第32-33页 |
| 2.4.4 基于主题模型的方法 | 第33-34页 |
| 2.4.5 和本文研究的不同 | 第34页 |
| 2.5 缺陷报告管理中的其他研究 | 第34-38页 |
| 2.5.1 缺陷报告摘要提取方法 | 第34-35页 |
| 2.5.2 缺陷定位方法 | 第35-36页 |
| 2.5.3 缺陷修复方法 | 第36-38页 |
| 2.5.4 和本文研究的不同 | 第38页 |
| 2.6 本文涉及的相关技术 | 第38-48页 |
| 2.6.1 词向量模型 | 第38-42页 |
| 2.6.2 卷积神经网络模型 | 第42-44页 |
| 2.6.3 主动学习和半监督学习 | 第44-48页 |
| 第三章 重复缺陷报告识别方法 | 第48-65页 |
| 3.1 方法概述 | 第48-49页 |
| 3.2 词向量模型和训练 | 第49-52页 |
| 3.2.1 词向量模型的建模 | 第49-50页 |
| 3.2.2 词向量模型的训练 | 第50-52页 |
| 3.3 卷积神经网络模型和训练 | 第52-54页 |
| 3.3.1 卷积神经网络模型的建模 | 第52-54页 |
| 3.3.2 卷积神经网络模型的训练 | 第54页 |
| 3.4 实验设计 | 第54-58页 |
| 3.4.1 研究问题 | 第54-55页 |
| 3.4.2 实验数据集 | 第55-56页 |
| 3.4.3 实验设置 | 第56页 |
| 3.4.4 基线方法 | 第56-57页 |
| 3.4.5 评价指标 | 第57-58页 |
| 3.5 实验结果和分析 | 第58-64页 |
| 3.5.1 方法的有效性 | 第58-60页 |
| 3.5.2 词向量和卷积神经网络模型对方法性能的影响 | 第60-62页 |
| 3.5.3 领域相关的词向量对方法性能的影响 | 第62-63页 |
| 3.5.4 模型训练开销 | 第63-64页 |
| 3.6 本章小结 | 第64-65页 |
| 第四章 缺陷报告优先级预测方法 | 第65-94页 |
| 4.1 方法概述 | 第65-66页 |
| 4.2 方法实现细节 | 第66-73页 |
| 4.2.1 特征抽取阶段 | 第67-69页 |
| 4.2.2 初始选择阶段 | 第69-70页 |
| 4.2.3 主动学习阶段 | 第70-71页 |
| 4.2.4 半监督学习阶段 | 第71-73页 |
| 4.3 实验设计 | 第73-77页 |
| 4.3.1 研究问题 | 第73-75页 |
| 4.3.2 实验数据集 | 第75页 |
| 4.3.3 实验设置 | 第75-76页 |
| 4.3.4 评价指标 | 第76-77页 |
| 4.4 实验结果和分析 | 第77-93页 |
| 4.4.1 方法的有效性 | 第77-81页 |
| 4.4.2 各阶段的作用 | 第81-83页 |
| 4.4.3 训练成本对于方法性能的影响 | 第83-86页 |
| 4.4.4 主动选择策略对于方法性能的影响 | 第86-88页 |
| 4.4.5 自标注缺陷报告数目对于方法性能的影响 | 第88-90页 |
| 4.4.6 用于建模的特征对于方法性能的影响 | 第90-93页 |
| 4.5 本章小结 | 第93-94页 |
| 第五章 缺陷修复人员推荐方法 | 第94-123页 |
| 5.1 方法概述 | 第94-96页 |
| 5.2 启发式实验和分析 | 第96-99页 |
| 5.2.1 人员能力在缺陷修复中的作用分析 | 第96-97页 |
| 5.2.2 人员的时间活跃度在缺陷修复中的作用分析 | 第97-98页 |
| 5.2.3 人员的空间活跃度在缺陷修复中的作用分析 | 第98-99页 |
| 5.3 基于人员能力和活跃度的混合推荐方法 | 第99-106页 |
| 5.3.1 基于人员能力的模糊集模型 | 第99-103页 |
| 5.3.2 基于人员活跃度的缓冲池模型 | 第103-104页 |
| 5.3.3 混合推荐算法 | 第104-106页 |
| 5.4 实验设计 | 第106-109页 |
| 5.4.1 研究问题 | 第106-107页 |
| 5.4.2 实验数据集 | 第107-108页 |
| 5.4.3 实验设置 | 第108页 |
| 5.4.4 基线方法 | 第108-109页 |
| 5.4.5 评价指标 | 第109页 |
| 5.5 实验结果和分析 | 第109-121页 |
| 5.5.1 方法的有效性 | 第109-111页 |
| 5.5.2 和基线方法的性能对比 | 第111-115页 |
| 5.5.3 缓冲周期对方法性能的影响 | 第115-117页 |
| 5.5.4 描述性技术术语列表的规模对方法性能的影响 | 第117-119页 |
| 5.5.5 推荐结果的多样性 | 第119-121页 |
| 5.6 本章小结 | 第121-123页 |
| 第六章 最优化缺陷修复人员分配方法 | 第123-134页 |
| 6.1 方法概述 | 第123-124页 |
| 6.2 多目标优化问题建模 | 第124-126页 |
| 6.2.1 目标一：更好的完成缺陷修复 | 第124-125页 |
| 6.2.2 目标二：更快的完成缺陷修复 | 第125-126页 |
| 6.2.3 更好更快：多目标最优化函数 | 第126页 |
| 6.3 多目标寻优算法 | 第126-129页 |
| 6.3.1 贪心算法 | 第126-127页 |
| 6.3.2 遗传算法 | 第127-128页 |
| 6.3.3 最优深度优先搜索算法 | 第128-129页 |
| 6.4 实验设计 | 第129-131页 |
| 6.4.1 实验数据集 | 第129-131页 |
| 6.4.2 实验设置 | 第131页 |
| 6.5 实验结果及分析 | 第131-133页 |
| 6.6 本章小结 | 第133-134页 |
| 结论及对未来工作的展望 | 第134-139页 |
| 1.论文工作总结 | 第134-136页 |
| 2.下一步工作 | 第136-139页 |
| 参考文献 | 第139-148页 |
| 攻读博士学位期间取得的研究成果 | 第148-149页 |
| 致谢 | 第149-150页 |
| 附件 | 第150页 |
