基于主题模型和卷积神经网络的issue标签分类方法技术

本发明专利技术公开了一种基于主题模型和卷积神经网络的issue标签分类方法，包括以下步骤：1)数据收集：通过GitHub Archive获取需要的issue数据作为数据集；2)数据处理：对收集到的issue文本进行数据清洗；3)LDA提取主题与词语：对每个issue的文本进行LDA模型处理；4)自定义主题：自定义主题，并统计相应主题下的高频单词；5)主题融合：将LDA和自定义主题结合，构建主题单词词典；6)向量拼接：将词向量和主题向量拼接；7)数据再平衡：应用数据再平衡技术平衡训练集；8)模型训练：采用卷积神经网络对issue进行识别分类；本发明专利技术是一种基于主题模型和卷积神经网络的issue标签分类方法，实现了issue标签的自动分类识别。现了issue标签的自动分类识别。现了issue标签的自动分类识别。

【技术实现步骤摘要】
基于主题模型和卷积神经网络的issue标签分类方法


[0001]本专利技术属于软件工程的开发和维护领域，具体涉及一种基于主题模型和卷积神经网络的issue标签分类方法。

技术介绍

[0002]GitHub是目前非常流行的项目开发合作交流与分享平台之一，通过使用Wiki和git来帮助开发人员协调开发，提高工作效率。到目前为止，github拥有超过1200万个开源项目，而且这个数字还在不断增长。
[0003]在软件项目的生命周期中，维护是一项至关重要的任务。首先，源代码应保持最新，并消除性能和正确性方面的任何潜在缺陷。另一方面，维护人员必须投入尽可能少的时间和精力来解决上述任务，以保持软件维护的低成本。issue跟踪系统是维护人员实现严格而有效的软件演化任务的重要手段。在issue跟踪系统中，维护人员报告问题单或潜在问题，对其进行管理并跟踪其进度。
[0004]GitHub提供了一个集成的轻量级issue跟踪系统，问题提交者只需要提供一个简短的文本摘要(包含一个标题和一个可选的描述)，便能够向github上托管的项目报告一个新问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主题模型和卷积神经网络的issue标签分类方法，其特征在于：对issue数据集进行数据处理，接着对文本进行LDA模型提取主题以及主题下的单词集合；接着自定义主题并统计相应主题下的单词集合；接着构建主题单词词典后完成向量拼接；最后应用random over
‑
sampling examples技术平衡训练集，采用卷积神经网络模型训练分类issue。2.根据权利要求1所描述的一种基于主题模型和卷积神经网络的issue标签分类方法，其特征包括以下几个步骤：1)对issue数据集进行数据清洗，提取处理成符合需求的数据集；2)基于LDA主题模型，把issue的标题和描述信息的主题以概率分布的形式给出，得到主题以及主题下的单词集合，再融合自定义主题下的单词集合，构成最终的主题单词库；3)将主题向量和词向量进行融合，形成最终的输入向量，并对数据集进行再平衡，采用random over
‑
sampling examples优化输入，提高模型分类效果；4)基于卷积神经网络，输入融合向量，卷积层特征提取，池化层降低维度的同时保持主要特征，softmax输出每个类别的概率，模型训练后10折交叉验证验证标签分类效果。3.根据权利要求2所述的基于主题模型和卷积神经网络的issue标签分类方法，其特征是步骤1)中，issue数据集中存在其他语言的文本，需要删除，保证是纯英文文本；接着issue的标题和描述中存在链接，代码片段以及表情符号，进行删除；接着对缩写词进行扩展，方便主题相关词汇识别；最后词标记化将句子划分为单个单词。4.根据权利要求2所述的基于主题模型和卷积神经网络的issue标签分类方法，其特征是步骤2)中，对处理过后的文本输入LDA模型，提取主题以及主题下的单词；选定模型的参数即反应文本中隐含主题的先验分布α，反应隐含主题下词的先验分...

【专利技术属性】
技术研发人员：张卫丰，徐俊辉，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：