A Novel Two-Step Classification Approach for Runtime Performance Improvement of Duplicate Bug Report Detection
محل انتشار: مجله مهندسی کامپیوتر و دانش، دوره: 6، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 59
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_CKE-6-1_001
تاریخ نمایه سازی: 3 آبان 1402
چکیده مقاله:
Duplicate Bug Report Detection (DBRD) is one of the famous problems in software triage systems like Bugzilla. There are two main approaches to this problem, including information retrieval and machine learning. The second one is more effective for validation performance. Duplicate detection needs feature extraction, which is a time-consuming process. Both approaches suffer runtime issues, because they should check the new bug report to all bug reports in the repository, and it takes a long time for feature extraction and duplicate detection. This study proposes a new two-step classification approach which tries to reduce the search space of the bug repository search space in the first step and then check the duplicate detection using textual features. The Mozilla and Eclipse datasets are used for experimental evaluation. The results show that overall, ۸۷.۷۰% and ۸۹.۰۱% validation performance achieved averagely for accuracy and F۱-measure, respectively. Moreover, ۹۵.۸۵% and ۸۷.۶۵% of bug reports can be classified in step one very fast for Eclipse and Mozilla datasets, respectively, and the other one needs textual feature extraction until it can be checked by the traditional DBRD approach. An average of ۹۰% runtime improvement is achieved using the proposed method.
کلیدواژه ها:
نویسندگان
Behzad Soleimani Neysiani
Department of Software Engineering, University of Kashan, Kashan, Iran.
Seyed Morteza Babamir
Department of Software Engineering, University of Kashan, Kashan, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :