学习软件缺陷报告：一项系统性文献综述

《ACM Transactions on Software Engineering and Methodology》：Learning Software Bug Reports: A Systematic Literature Review

Bug报告分析领域的机器学习研究进展及未来方向

　　

摘要

近年来，人工智能尤其是机器学习（ML）在各个软件工程研究领域取得了显著进展。其中，错误报告分析就是一个典型的例子，它旨在利用机器学习方法自动理解、提取并关联报告中的信息。尽管机器学习在自动化和提升错误报告分析方面发挥着重要作用，但迄今为止仍缺乏系统性地审视该领域最新进展的综合性综述。在本文中，我们对这一具有前景的研究主题进行了系统的文献回顾。我们共查阅了1,825篇论文，并从中筛选出204篇最具代表性的研究进行详细分析。基于这些研究中的统计数据和趋势，我们得出了以下七个关键发现：1) 卷积神经网络（CNN）、长短期记忆网络（LSTM）和K近邻（KNN）在错误报告分析中被广泛使用，但更先进的模型（如BERT）由于复杂性和计算要求较高而未能得到充分应用；2) Word2Vec和TF-IDF是最常见的特征表示方法，近年来基于深度学习的方法使用频率有所增加；3) 停用词去除是最常见的预处理方法，其次是分词和词干提取；4) Eclipse和Mozilla是最常被评估的软件项目，这反映了它们在该领域的重要性；5> 错误分类是最受欢迎的任务，其次是错误定位、任务分配以及严重性/优先级预测；随着自然语言处理（NLP）技术的进步，人们对错误报告摘要的兴趣也在不断增加；6) 大多数研究关注通用类型的错误，但对非功能性错误和性能错误的关注度也在提升；7> 常见的评估指标包括F1分数、召回率、精确度和准确率，但与错误报告相关的评估指标尚未受到足够重视；8) 大多数研究倾向于使用k折交叉验证（k-fold cross-validation）来评估模型性能；最后，基于这些关键发现，我们提出了六个有前景的未来研究方向，希望通过这些方向的研究成果为该领域的实践者提供有价值的见解。