自动问题分类器：一种用于问题报告分类的迁移学习框架

问题跟踪系统被用于软件行业，以促进维护活动，使软件保持健壮并满足不断变化的行业需求。通常，用户报告的问题可被归类为不同标签，如缺陷报告、增强请求和与软件相关的问题。大多数问题跟踪系统将这类问题报告的标签标注设为报告者可选项，这导致大量未标注的问题报告。在本文中，我们提出了一种最先进的方法，将问题报告分类到各自的类别，即缺陷、增强和问题。这是一项具有挑战性的任务，因为问题报告中普遍使用非正式语言。现有研究使用传统的自然语言处理方法并采用基于关键词的特征，无法纳入词间上下文关系，因此导致较高的假阳性和假阴性率。此外，以往工作采用单标签方法对问题报告分类，然而现实中，一个问题提交者可以同时对一个报告标注多个标签。本文提出我们在多标签设定下对问题报告进行分类的方法。我们使用现成的神经网络RoBERTa并微调它以对问题报告分类。我们在来自GitHub的众多工业项目的问题报告上验证了我们的方法。我们分别对缺陷报告、增强和问题取得了81%、74%和80%的 promising F-1分数。我们还开发了一款工业工具，称为自动问题分类器（AIC），它能以高准确度自动为GitHub仓库上新报告的问题分配标签。