| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的背景和意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-15页 |
| 1.3.1 相似缺陷报告识别方法的国内外研究现状 | 第12-13页 |
| 1.3.2 相似代码识别方法的国内外研究现状 | 第13-14页 |
| 1.3.3 缺陷报告的代码文件定位方法的国内外研究现状 | 第14-15页 |
| 1.4 课题研究的主要内容及章节安排 | 第15-18页 |
| 第2章 基于动宾短语和主题模型的相似缺陷报告识别方法 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 方法的总体思路 | 第18-20页 |
| 2.3 基于白名单的特征向量构建 | 第20页 |
| 2.4 基于结构化信息的特征向量构建 | 第20-26页 |
| 2.4.1 句法分析 | 第21-23页 |
| 2.4.2 启发式过滤规则 | 第23-24页 |
| 2.4.3 领域术语自动抽取 | 第24-26页 |
| 2.5 基于LDA主题模型的特征向量构建 | 第26-27页 |
| 2.6 基于动宾短语和主题模型的缺陷报告分类方法 | 第27-29页 |
| 2.7 实验结果与分析 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 基于文本分析的缺陷报告与源代码匹配方法 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 方法的总体思路 | 第31-33页 |
| 3.3 数据预处理 | 第33-34页 |
| 3.4 基于缺陷报告与代码文件的相关度计算 | 第34-38页 |
| 3.4.1 token匹配程度的相关度计算 | 第34-35页 |
| 3.4.2 文本相似度计算 | 第35-37页 |
| 3.4.3 基于SVM的相关度计算 | 第37-38页 |
| 3.4.4 相关度的线性组合 | 第38页 |
| 3.5 缺陷报告与代码文件匹配方法 | 第38-39页 |
| 3.6 实验结果与分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于局部敏感哈希和抽象语法树的相似代码识别方法 | 第41-57页 |
| 4.1 引言 | 第41-42页 |
| 4.2 方法的总体思路 | 第42-43页 |
| 4.3 抽象语法树 | 第43-46页 |
| 4.4 基于抽象语法树的特征向量构建 | 第46-49页 |
| 4.5 局部敏感哈希算法 | 第49-50页 |
| 4.6 相似代码识别方法 | 第50-51页 |
| 4.7 实验结果与分析 | 第51-56页 |
| 4.8 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-65页 |
| 致谢 | 第65页 |
