| 摘要 | 第9-10页 |
| Abstract | 第10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 研究现状与存在的问题 | 第12-15页 |
| 1.2.1 针对工作量数据质量的研究 | 第12-13页 |
| 1.2.2 利用跨公司数据缓解数据干涸情况 | 第13-14页 |
| 1.2.3 亟待解决的问题 | 第14-15页 |
| 1.3 本文的研究内容以及各章与论文主题的关系 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第2章 研究课题中重要的理论和技术 | 第17-27页 |
| 2.1 相关的软件工作量预测方法 | 第17-21页 |
| 2.1.1 相关方法的分类 | 第17-18页 |
| 2.1.2 常用的基于机器学习的软件工作量估算方法 | 第18-21页 |
| 2.2 相关的评价指标 | 第21-23页 |
| 2.3 相关方法理论和技术 | 第23-27页 |
| 2.3.1 低秩恢复技术和半监督回归技术 | 第23-24页 |
| 2.3.2 流形学习方法和MORPH | 第24-25页 |
| 2.3.3 AdaBoost算法 | 第25-27页 |
| 第3章 提升软件工作量数据质量——缺失数据补全 | 第27-49页 |
| 3.1 引言 | 第27-30页 |
| 3.1.1 背景知识 | 第28页 |
| 3.1.2 研究动机 | 第28-30页 |
| 3.1.3 主要贡献 | 第30页 |
| 3.2 相关工作 | 第30-31页 |
| 3.2.1 缺失数据的解决方案 | 第30-31页 |
| 3.2.2 软件工作量估算中的缺失数据处理方案 | 第31页 |
| 3.3 基于低秩恢复和半监督回归的缺失数据补全方法 | 第31-37页 |
| 3.3.1 自变量缺失补全方法——结构化低秩恢复 | 第32-35页 |
| 3.3.2 因变量缺失补全方法——半监督回归补全 | 第35-37页 |
| 3.3.3 低秩和半监督回归数据补全方法 | 第37页 |
| 3.4 实验设计 | 第37-40页 |
| 3.4.1 数据集 | 第37-38页 |
| 3.4.2 评价指标 | 第38-39页 |
| 3.4.3 对比方法 | 第39-40页 |
| 3.4.4 实验设置 | 第40页 |
| 3.5 实验结果 | 第40-45页 |
| 3.5.1 补全效果比较 | 第40-43页 |
| 3.5.2 补全效果对于不同估计器的适应性实验结果 | 第43-45页 |
| 3.6 讨论与分析 | 第45-48页 |
| 3.6.1 基准估计器上的缺失数据补全效果 | 第45-47页 |
| 3.6.2 补全后数据适应性分析 | 第47-48页 |
| 3.6.3 效度威胁分析 | 第48页 |
| 3.7 本章小结 | 第48-49页 |
| 第4章 消除数据共享壁垒——工作量数据隐私保护技术 | 第49-77页 |
| 4.1 引言 | 第49-53页 |
| 4.1.1 背景知识 | 第50页 |
| 4.1.2 研究动机 | 第50-52页 |
| 4.1.3 主要贡献 | 第52-53页 |
| 4.1.4 两个研究问题 | 第53页 |
| 4.2 相关工作 | 第53-55页 |
| 4.2.1 常见的隐私保护方法 | 第53-54页 |
| 4.2.2 软件工程中常见的数据隐私化方法 | 第54-55页 |
| 4.3 区间覆盖子类划分方法 | 第55-58页 |
| 4.3.1 提出的方法概览 | 第55-56页 |
| 4.3.2 基于区间覆盖的数据子类划分算法 | 第56-57页 |
| 4.3.3 基于区间覆盖算法实例 | 第57-58页 |
| 4.4 基于流形学习的双向数据混淆隐私保护算法 | 第58-63页 |
| 4.4.1 双向数据混淆隐私保护策略 | 第59-60页 |
| 4.4.2 基于流形学习的最近不相关近邻混淆样本选择 | 第60-61页 |
| 4.4.3 区间覆盖和基于流形学习双向数据混淆实例 | 第61-63页 |
| 4.5 回答提出的研究问题 | 第63页 |
| 4.6 与相关工作的比较 | 第63-64页 |
| 4.7 实验设计 | 第64-67页 |
| 4.7.1 数据集 | 第64-65页 |
| 4.7.2 评价指标 | 第65-66页 |
| 4.7.3 查询生成器 | 第66页 |
| 4.7.4 实验设置 | 第66-67页 |
| 4.8 实验结果 | 第67-74页 |
| 4.8.1 数据的隐私性和有效性实验结果 | 第67-71页 |
| 4.8.2 隐私化后的数据对于估计器的适应性实验结果 | 第71-74页 |
| 4.9 讨论和分析 | 第74-76页 |
| 4.9.1 ICSD&MLBDO方法隐私性和可用性效果分析 | 第74页 |
| 4.9.2 数据经过ICSD&MLBDO方法处理后适应性分析 | 第74-75页 |
| 4.9.3 效度威胁分析 | 第75-76页 |
| 4.10 本章小结 | 第76-77页 |
| 第5章 工作量数据获取新渠道——开源项目工作量数据获取 | 第77-107页 |
| 5.1 引言 | 第77-79页 |
| 5.1.1 研究动机 | 第77-79页 |
| 5.1.2 主要贡献 | 第79页 |
| 5.2 相关工作 | 第79-82页 |
| 5.2.1 软件工作量估算中常见的方法(缓解数据干涸角度) | 第79-81页 |
| 5.2.2 开源软件项目工作量估算的研究 | 第81-82页 |
| 5.3 基于开源项目的工作量估算的数据收集 | 第82-96页 |
| 5.3.1 方法概览 | 第82-83页 |
| 5.3.2 数据获取模块 | 第83-92页 |
| 5.3.3 数据扩展模块 | 第92-96页 |
| 5.4 实验与分析 | 第96-103页 |
| 5.4.1 研究问题 | 第97页 |
| 5.4.2 评价指标 | 第97页 |
| 5.4.3 收集到的基于开源项目工作量数据集 | 第97-98页 |
| 5.4.4 人员因素度量中的参数确定 | 第98-100页 |
| 5.4.5 实验设计和结果 | 第100-103页 |
| 5.5 进一步讨论和分析 | 第103-106页 |
| 5.5.1 不同类型贡献者之间的关系 | 第103-104页 |
| 5.5.2 自动功能点和代码行数之间的关系 | 第104-105页 |
| 5.5.3 噪声样本对于开源项目工作量数据集的影响 | 第105页 |
| 5.5.4 效度威胁分析 | 第105-106页 |
| 5.6 本章小结 | 第106-107页 |
| 第6章 总结与展望 | 第107-110页 |
| 6.1 本文工作总结 | 第107-108页 |
| 6.2 未来工作展望 | 第108-110页 |
| 参考文献 | 第110-119页 |
| 读博期间取得的研究成果 | 第119-120页 |
| 读博期间参与的研究课题 | 第120-121页 |
| 致谢 | 第121页 |
