问题跟踪器中类型化链接的自动检测
软件工程
2022-06-16 v1
摘要
软件项目中的利益相关者使用JIRA等问题跟踪器来捕获和管理问题，包括需求与缺陷。为便于问题导航并构建项目知识，利益相关者通过反映不同依赖关系的特定类型链接手动连接问题，例如Epic-、Block-、Duplicate-或Relate-链接。基于包含15个JIRA仓库的大型数据集，我们研究了最先进的机器学习模型在自动检测常见链接类型方面的表现。我们发现，在链接问题的标题与描述上训练的纯BERT模型显著优于其他优化过的深度学习模型，在所有仓库中检测9种流行链接类型时取得了令人鼓舞的平均宏F1-score 0.64（加权F1-score 0.73）。对于特定的Subtask-和Epic-链接，该模型分别取得了0.89和0.97的最高F1-score。我们的模型并非简单地学习问题的文本相似性。总体上，较短的问题文本似乎能提高预测准确率，呈强负相关（-0.70）。我们发现Relate-链接常与其他链接混淆，这表明在不清情况下它们可能被用作默认链接。我们还观察到各仓库间存在显著差异，取决于其使用方式及使用者。
引用
@article{arxiv.2206.07182,
title = {Automated Detection of Typed Links in Issue Trackers},
author = {Clara Marie Lüders and Tim Pietz and Walid Maalej},
journal= {arXiv preprint arXiv:2206.07182},
year = {2022}
}
备注
Accepted at RE2022, eCF Paper Id: 1655146264348