【技术实现步骤摘要】
一种基于深度强化学习的实时Bug分派方法
本专利技术涉及缺陷报告指派
，尤其涉及一种基于深度强化学习的实时Bug分派方法。
技术介绍
随着互联网的迅速发展和软件开发技术的成熟，越来越容易产生大量的软件bug。传统的依赖人工进行浏览和分析软件，并且进行bug修复的方法无法适应大规模的bug数据。人工进行bug分派是一项十分耗时耗力的事情。在这一问题下，基于机器学习的自动bug分派技术应运而生。缺陷报告的自动分配，是数据分析中的一个经典任务，由于解决该问题具有较大的复杂性和挑战，所以一直都是研究者关注的热点。关注缺陷报告的哪些信息，开发者和缺陷报告之间存在怎样的关系时，能高质量的完成缺陷报告的修复都是我们需要考虑的问题。文献[1]中Lee等人首次尝试使用神经网络进行bug分派，他们用卷积神经网络(CNN)和词嵌入(wordembedding)技术建立了一个自动分类器。实验结果表明，使用所有开发者数据训练的CNN模型，表现要比人工分类的要好得多。文献[2]中Mani等人提出了DBRNN-A算法，算法提出使用双...
【技术保护点】
1.一种基于深度强化学习的实时Bug分派方法，其特征在于包括：/n对初始的bug数据进行预处理，预处理过程包括删除无效开发者修复的bug、删除低效开发者修复的bug、统计并过滤高频和低频词、从而提取bug报告的文本信息，并根据每个bug报告对应的真实开发者，对一段时间内具有相同产品和组件的bug报告进行汇总，获取每个bug报告的开发者活跃度信息；/n使用深度强化学习DQN算法，将缺陷报告修复任务分派给合适的开发者：初始化循环神经网络参数w
【技术特征摘要】
1.一种基于深度强化学习的实时Bug分派方法，其特征在于包括：
对初始的bug数据进行预处理，预处理过程包括删除无效开发者修复的bug、删除低效开发者修复的bug、统计并过滤高频和低频词、从而提取bug报告的文本信息，并根据每个bug报告对应的真实开发者，对一段时间内具有相同产品和组件的bug报告进行汇总，获取每个bug报告的开发者活跃度信息；
使用深度强化学习DQN算法，将缺陷报告修复任务分派给合适的开发者：初始化循环神经网络参数w1,w2，基于w1,w2初始化所有状态动作对的价值Q；
将缺陷报告的文本信息和修复者活跃度信息向量化并作为状态S的初始特征向量；
将初始特征向量输入到神经网络Q，通过神经网络Q的前向传播输出每个动作at对应的Q值，根据策略π选择对应的动作；
在状态S执行当前动作at得到新的状态s'、奖励R以及是否终止状态的标志flag；
将{st,at,Rt,s′t,flag}五元组放入经验回放池D中，更新当前状态s＝s'；
从经验回放池D中随机采样m个样本{st,at,Rt,s′t,flag},t＝1,2,...,m，通过深度多语义特征融合方法计算当前期望目标值Q：
使用均方...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。