利用源代码密度提高提交到维护活动的自动分类准确率

源代码因某种原因而被更改，例如调整、修正或适配。该原因能提供对开发过程的宝贵洞察，但在变更提交到源代码仓库时很少被显式记录。自动提交分类利用从提交中提取的特征来估计该原因。我们引入源代码密度，即提交净规模的度量，并展示相较于先前基于规模的分类，它如何提高自动提交分类的准确率。我们还研究了前序提交世代如何影响一次提交的类，以及考虑先前提交的代码密度是否能进一步提高准确率。对于跨项目提交分类（模型在一个项目上训练并应用于其他项目），我们达到了最高 89% 的准确率与 0.82 的 Kappa。在单个项目上训练的模型产生了最高 93% 的准确率，Kappa 接近 0.90。自动提交分类的准确率对利用该分类的软件（过程）质量分析有直接影响，因此我们对准确率的改进也将提升此类分析的置信度。