用于自动化缺陷分派的多标签双输出深度神经网络

缺陷跟踪使得组织内部问题和缺陷的监测与解决成为可能。缺陷分派，即将缺陷分配给将要解决它们的负责人，是这一过程的关键环节，因为存在许多错误分配浪费开发人员时间并降低缺陷解决吞吐量的现象。在这项工作中，我们探索使用一种新颖的双输出深度神经网络架构（Dual DNN）将缺陷同时分派给一个团队和一名开发人员。Dual DNN通过利用自身对团队类别的猜测来辅助开发人员分配，从而发挥这种同步预测的优势。对两个输出各自采用多标签分类方法，以从所有中间负责人（而不仅仅是关闭缺陷的最后一人）中学习。我们使用中间负责人的启发式组合（负责人重要性加权标注），并将其转换为概率质量函数（pmf）。我们采用两阶段学习方案，即先训练模型的团队部分，然后保持静态以训练团队—开发人员和缺陷—开发人员关系。用于编码团队—开发人员关系的方案基于组织图（org chart），这使得模型对组织变动具有鲁棒性，因为它能适应组织内的角色变化。观察到在11折增量学习交叉验证（IL-CV）准确率上，使用负责人加权标签的Dual DNN相对于传统多类分类方法在团队和开发人员分配上均有13个百分点的平均提升。此外，使用负责人加权标签的Dual DNN在包含236,865条条目的专有数据集上取得了76%（团队分配）和55%（开发人员分配）的平均11折IL-CV准确率，分别优于参考模型14和25个百分点。