提取相关缺陷修复评论以支持缺陷修复的摘要生成

当开发人员调查新的缺陷报告时，他们会搜索类似的先前已修复缺陷报告及其附带的讨论线程。这些讨论线程传达了关于缺陷行为的重要信息，包括相关的缺陷修复评论。通常，由于所报告缺陷的严重性，这些讨论线程会变得极其冗长。这增加了另一层复杂性，特别是当相关缺陷修复评论与看似无关的评论交织在一起时。在处理大量缺陷报告时，手动从各种横切讨论线程中检测这些相关评论可能成为一项艰巨任务。为自动化此过程，我们的重点是初步提取并检测处于查询相关性、积极语言使用以及语义相关性上下文中的评论。然后，我们将这些评论合并为摘要形式以便于理解。具体而言，我们将情感分析与 TextRank 模型同基线向量空间模型（VSM）相结合。初步发现表明，缺陷修复评论往往具有积极性，并且与来自其他横切讨论线程的评论存在语义相关性。结果还表明，我们的组合方法相较基线 VSM 提升了整体排序性能。