面向文本不相似度对重复缺陷报告检测影响的理解

约40%的软件缺陷报告彼此重复，这在软件维护期间造成了主要开销。传统技术通常侧重于检测文本相似的重复缺陷报告。然而，在缺陷跟踪系统中，许多重复缺陷报告可能并不文本相似，传统技术对此可能力有不逮。在本文中，我们开展了一项大规模实证研究，以更好地理解文本不相似度对重复缺陷报告检测的影响。首先，我们从三个开源系统收集了共计92,854份缺陷报告，并构建了包含文本相似和文本不相似重复缺陷报告的两个数据集。随后，我们确定了三种现有技术在检测重复缺陷报告上的性能，并表明它们对文本不相似重复报告的性能显著较差。其次，我们结合描述性分析、词嵌入可视化和人工分析对两组缺陷报告进行分析。我们发现，文本不相似的重复缺陷报告常缺失重要组件（例如，预期行为和复现步骤），这可能导致其文本差异以及现有技术的较差性能。最后，我们将领域特定嵌入应用于重复缺陷报告检测问题，结果显示好坏参半。上述所有发现都值得进一步研究，并需要更有效的解决方案来检测文本不相似的重复缺陷报告。