| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 论文背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 缺陷报告分派研究现状 | 第11-13页 |
| 1.2.2 深度学习技术研究现状 | 第13-15页 |
| 1.3 论文的主要研究内容及章节安排 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 章节安排 | 第16-18页 |
| 第2章 常用的缺陷报告分派方法及其实现 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 软件缺陷报告及其生命周期 | 第18-21页 |
| 2.2.1 软件缺陷报告 | 第18-20页 |
| 2.2.2 缺陷报告生命周期 | 第20-21页 |
| 2.3 基于文本分类的缺陷报告分派方法 | 第21-26页 |
| 2.3.1 基于机器学习模型缺陷报告分派方法 | 第22-24页 |
| 2.3.2 基于深度学习模型缺陷报告分派方法 | 第24-26页 |
| 2.4 基于相似度计算的缺陷报告分派方法 | 第26-29页 |
| 2.5 实验结果与分析 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于自然语言处理技术的相似缺陷报告聚类 | 第31-44页 |
| 3.1 问题的提出 | 第31-32页 |
| 3.2 基于主题模型提取缺陷报告主题向量 | 第32-36页 |
| 3.2.1 LDA模型原理 | 第32-35页 |
| 3.2.2 主题个数确定方法 | 第35-36页 |
| 3.3 基于WORD2VEC模型提取缺陷报告语义向量 | 第36-39页 |
| 3.3.1 Word2Vec原理 | 第36-37页 |
| 3.3.2 基于Skip-gram模型提取语义向量 | 第37-39页 |
| 3.4 基于K-MEANS++缺陷报告聚类 | 第39-42页 |
| 3.4.1 k-means++算法原理 | 第39-41页 |
| 3.4.2 聚类簇数确定方法 | 第41-42页 |
| 3.5 实验结果与分析 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于循环神经网络的缺陷报告分派 | 第44-54页 |
| 4.1 问题的提出 | 第44页 |
| 4.2 修复者序列特征提取 | 第44-46页 |
| 4.2.1 修复者活跃度计算 | 第44-45页 |
| 4.2.2 修复者能力度计算 | 第45-46页 |
| 4.3 GRU网络 | 第46-49页 |
| 4.3.1 GRU单元结构 | 第47-48页 |
| 4.3.2 基于GRU网络的推荐模型 | 第48-49页 |
| 4.4 循环神经网络的训练 | 第49-51页 |
| 4.4.1 训练方法 | 第49-50页 |
| 4.4.2 损失函数 | 第50-51页 |
| 4.5 实验结果与分析 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 基于聚类与循环神经网络缺陷报告分派方法的实验分析 | 第54-64页 |
| 5.1 方法概述 | 第54-55页 |
| 5.2 数据集描述 | 第55-59页 |
| 5.2.1 三种数据集简介 | 第55-57页 |
| 5.2.2 数据集预处理 | 第57-59页 |
| 5.3 评测指标 | 第59-60页 |
| 5.3.1 Top-kaccuracy | 第59页 |
| 5.3.2 MRR | 第59-60页 |
| 5.4 实验结果与分析 | 第60-63页 |
| 5.4.1 与常用方法实验对比 | 第60-62页 |
| 5.4.2 聚类方法的影响 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |
