从问题跟踪讨论中推荐缺陷修复评论以辅助缺陷修复

在实践中,开发人员在面对需要修复的新缺陷时,会搜索相关的早期缺陷及其关联的讨论线程。通常,这些讨论线程由评论甚至缺陷修复评论组成,旨在捕捉有助于调查新缺陷报告及其根本原因的线索。随着时间的推移,这些讨论可能变得极其冗长且难以理解。不可避免地,这些讨论线程会导致缺陷修复评论与看似无关的评论交织在一起。然而,在处理大量缺陷报告时,该任务带来了进一步的挑战。大型软件系统每天都会受到数千份缺陷报告的困扰。因此,高效调查这些缺陷报告变得十分耗时。为弥补这一不足,本文构建了一个基于排序的自动化工具,我们称之为 RETRORANK。具体而言,RETRORANK 在用户查询相关性、积极语言的使用以及评论间语义相关性的背景下,从问题跟踪讨论线程中推荐缺陷修复评论。通过结合向量空间模型(VSM)、情感分析(SA)和 TextRank 模型(TR),我们展示了过去已修复缺陷及其具有相对积极情感的关联缺陷修复评论如何在语义上联系起来,以调查新缺陷的根本原因。我们通过一项合成研究和一项用户研究评估了我们的方法。结果表明,与基线 VSM 相比,RETRORANK 显著提升了性能。