(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210173115.5 (22)申请日 2022.02.24 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 张文　赵江鹏　李瑞　李健　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 沈波 (51)Int.Cl. G06F 11/07(2006.01) G06F 40/216(2020.01) G06F 40/289(2020.01) G06F 40/30(2020.01) G06F 16/33(2019.01) (54)发明名称 一种基于查询扩展的新增软件缺陷定位方 法 (57)摘要 本发明公开了一种基于查询扩展的新增软 件缺陷定位方法， 本方法对历史缺陷报告、 软件 源代码的文本内容进行自然语言处理， 采用以上 语料训练词向量模型； 通过词向量结合词项的 TF‑IDF值得到源代码中每个方法的文本向量； 计 算方法之间的语义相似度， 修改临近度和依赖紧 密度， 得到方法之间的综合关联度； 根据综合关 联度对方法的文本向量进行扩展， 得到方法的扩 展表示向量； 计算新缺陷报告的文本向量， 与所 有方法的扩展表示分别计算相似度， 选择相似度 最高的若干方法作为该缺陷报告对应的方法； 本 发明给软件开发人员和项目管理人员给出了明 确的缺陷定位信息， 减 轻了缺陷修复人员从源代 码的海量方法中查找缺陷的工作量， 提升了软件 缺陷修复的工作效率。 权利要求书2页 说明书9页 附图1页 CN 114546699 A 2022.05.27 CN 114546699 A 1.一种基于查询扩展的新增软件缺陷定位方法， 其特 征在于： 该 方法包括如下步骤： 1)从软件缺陷追踪系统中导出已提交 的历史缺陷报告数据， 对于每个缺陷报告提取其 摘要文本、 描述文本、 评论文本； 2)对历史缺陷报告的文本内容进行自然语言处理， 构建由缺陷报告文本 中各个词项组 成的缺陷报告词典， 并将缺陷报告以词袋模型表示 为向量形式； 3)从软件项目代码仓库中导出 软件源代码、 代码修改提交记录； 4)根据3)中提取到的软件源代码， 提取源代码中各个方法包含的词项及其词频， 对其 应用自然语言处理方法进行预处理， 构建由源代码中各个词项组成的源代码词典， 并将每 个方法以词袋模型表示 为向量形式； 5)根据2)得到的各个缺陷报告 的文本向量和4)中得到的各个方法中包含的词项训练 “词项‑向量”模型， 得到词典中各个词项对应的词向量； 6)根据4)中得到的每个方法的中包含的词项和词频， 计算得到每个词项在每个方法中 的TF‑IDF值， 结合5)中得到的词向量， 将方法文本转换为文本向量； 7)根据5)中得到的每个方法对应的文本向量， 计算源代码中任意两个算法之间的语义 相似度； 8)根据3)中得到的代码修改提交记录， 获取源代码中各个方法最新一次修改的时间， 并以此计算源代码中任意两个算法 之间的修改临近度； 9)根据3)中得到的软件源代码， 提取方法之间的依赖关系， 并以此计算源代码中任意 两个算法 之间的依赖紧密度； 10)根据7)中得到的语义相似度， 8)中得到的修改临近度， 9)中得到的依赖紧密度， 对 于任意一个方法而言， 找出相似度高于平均水平的若干其他方法， 并利用些相 近算方法的 文本向量， 对该 方法进行扩展， 得到该 方法的扩展表示； 11)从软件缺陷追踪系统中提取最新提交的缺陷报告， 应用与2)中相同的文本预处理 方法， 并利用5)中得到的词向量将该缺陷报告转换为文本向量； 12)计算新提交的缺陷报告的文本向量， 与所有方法的扩展表示分别计算相似度， 并选 择相似度最高的若干个方法作为该缺陷报告对应的方法。 2.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 所 述缺陷报告指的是提交到软件项目缺陷报告追踪系统内的， 关于计算机软件或程序中存在 的某种破坏正常运行能力的问题、 错误， 或者隐藏的功能缺陷的描述内容， 缺陷报告由摘 要、 描述、 评论内容构成。 3.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 对 缺陷报告的文本内容进 行自然语言处理， 包括英文分词、 去除停用词、 去除程序 代码保留字 符、 词干提取， 通过以上步骤得到每个软件缺陷报告中包含的词项， 并将所有缺陷报告中包 含的所有不重复的词项组成词典。 4.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 所 述“词袋”模型指根据一条文本内容包 含的词项及其对应词频组成的该文本的表示形式。 5.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 所 述“向量‑词项”模型指的是自然语言处理领域的一种能够保留词 与词之间的关联性和相似 性的词嵌入模型； 词嵌入模型 的基本结构是一种 轻量级的神经网络， 通过上下文预测中间权　利　要　求　书 1/2 页 2 CN 114546699 A 2词， 或通过中间词 预测上下文的训练方式， 将文本中的每个词项映射为一个指定长度的向 量。 6.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 所 述“TF‑IDF值”指的是一种统计方法， 用于评估一个词项对于一个文本的重要性程度， 其中 TF是指词频， IDF是指逆文本频率指数； 一个词项在该文本中的重要程度随着它在这个文本 中出现的次数成正比增 加， 但同时会随着他在整个 语料库中出现的频率成反比下降。 7.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 计 算两个方法 之间的文本语义相似度采用文本向量之间的余弦相似度。 8.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 计 算两个方法之间的修改临近度， 通过两个方法最近一次修改的时间差， 除以任意两个方法 最新一次修改时间差的均值， 再通过sigmo id函数归一 化到[0,1]范围内得到 。 9.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 采 用抽象语法树方法从软件源代码中提取方法之间的依赖关系， 构建方法依赖图， 根据两个 方法之间调用路径的长短计算两个方法 之间的依赖紧密度。 10.根据权利要求1所述的一种基于查询扩展的新增软件缺陷定位方法， 其特征在于： 对于每个方法， 根据它与其他方法的语义相似度、 修改临近度、 依赖紧密度， 进 行加权求和， 得到该方法与其他任意方法的综合关联度； 对所有方法对 之间的综合关联度求平均值可以 得到方法 之间的平均综合关联度； 对于每个方法而言， 选择综合关联度高于平均综合关联度的其他方法， 并通过相似度 对这些方法的文本向量加权求和对该 方法进行扩充； 对于新提交 的缺陷报告， 将其转换为向量表示后， 与所有方法经过扩充后的向量表示， 采用余弦相似度求得相似度后， 相似度越高的方法， 越有可能是该缺陷报告对应的源代码 位置。权　利　要　求　书 2/2 页 3 CN 114546699 A 3