从应用评论中识别能耗相关问题

应用的能效低下可能是应用用户的重大问题，并在应用商店中被广泛讨论。先前研究已表明调查能耗相关应用评论以识别能耗相关用户反馈的主要成因或类别的重要性。然而，尚无研究能高效自动提取能耗相关应用评论。本文实证研究了用于自动提取能耗相关用户反馈的不同技术。我们将众多机器学习模型与相关专业特征组合、以及相对现代的基于神经网络的模型的准确率、F1 分数和运行时长进行比较。总计将 60 个机器学习模型与我们利用六种神经网络架构和三种词嵌入模型构建的 30 个模型进行比较。我们为该项研究开发了可视化工具，开发者可通过其遍历这一大规模结果集。结果显示神经网络优于其他机器学习技术，可达到 0.935 的最高 F1 分数。为复现研究结果，我们已开源该交互式可视化工具。在识别最佳结果并提取能耗相关评论后，我们进一步比较多种技术，以帮助开发者自动调查可能导致应用能效低下的新兴问题。我们将先前使用的字符串匹配与采用两种最先进主题建模算法 OBTM 和 AOLDA 所得结果进行实验对比。最后，我们与来自不同机构的开发者和学生合作开展定性研究，以确定他们在从已分类评论中识别必要主题时的偏好，结果显示 OBTM 产生了最有帮助的结果。