利用迁移学习从推文与应用商店评论中挖掘功能请求与缺陷报告
计算与语言
2021-08-03 v1 软件工程
摘要
在用户评论中识别功能请求和缺陷报告对开发团队具有巨大潜力。然而,从社交媒体和应用商店自动挖掘需求工程(RE)相关信息颇具挑战,因为(1)约 70% 的用户评论包含噪声和无关信息,(2)用户评论数量逐日增长使得人工分析不可行,且(3)用户评论以不同语言撰写。现有方法基于传统机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL),但未能以该任务所需的高召回率(Recall)和可接受精确率(Precision)检测出功能请求和缺陷报告。在本文中,我们探究迁移学习(Transfer Learning, TL)用于用户评论分类的潜力。具体而言,我们训练单语和多语 BERT 模型,并将其性能与当前最优方法进行比较。我们发现,单语 BERT 模型在英语应用评论以及英语和意大利语推文的分类上优于现有基线方法。然而,我们也观察到重型 TL 模型的应用未必带来更优性能。事实上,我们的多语 BERT 模型表现不如传统 ML 方法。
引用
@article{arxiv.2108.00663,
title = {Transfer Learning for Mining Feature Requests and Bug Reports from Tweets and App Store Reviews},
author = {Pablo Restrepo Henao and Jannik Fischbach and Dominik Spies and Julian Frattini and Andreas Vogelsang},
journal= {arXiv preprint arXiv:2108.00663},
year = {2021}
}