기계 학습 기법을 사용한 NLP 계산을 통한 버그 전처리 및 분류 논리의 강력한 평가

소프트웨어 유지보수를 향상시키기 위해서는 버그 범주와 중요도에 따라 버그 보고서를 정확하고 신속하게 처리하는 것이 매우 중요합니다. 이러한 문제를 해결하기 위해서는 버그 보고서를 분류하고 순위를 매기는 자동화된 방법이 필요합니다. 최근 많은 학자들이 버그 보고서의 자동 분류 및 우선 순위 지정에 대해 연구하였지만, 이 분야에서 많은 성과를 거두지는 못했습니다. 소프트웨어 개발 과정에서 가장 중요한 단계는 테스트 및 유지보수입니다. 이러한 개발 활동의 단계에서 버그 보고서는 필수적입니다. 소프트웨어 모듈이 테스트될 때 소프트웨어 품질 보증팀이 버그 보고서를 작성합니다. 그러나 일반 텍스트로 작성된 버그 데이터 분석 시 발생하는 주요 문제는 정보 처리 및 추출이 매우 어렵다는 것입니다. 이러한 요구 사항이 본 연구의 추진력이 되었습니다. 제안된 연구에서는 기계 학습 모델의 맥락 인식을 활용하고 TF-IDF와 같은 보다 전통적인 특징 추출 방법을 결합한 하이브리드 모델을 만들 것을 제안했습니다. 이 두 개의 특징 세트(TF-IDF에서 하나, BERT에서 하나)를 연결한 후 다운스트림 분류기(SVM, 로지스틱 회귀 등)가 이를 받을 수 있습니다. 이는 모델이 BERT가 포착하는 광범위한 맥락 관계와 구문의 통계적 중요성을 활용할 수 있게 합니다. 이전 연구에서는 이 두 접근 방식을 별도로 사용하여 성능이 저하되었습니다. 이 연구는 테스트 수행을 위해 요청에 따라 개인 회사에서 확보한 기밀 데이터 세트를 사용하였으며, 데이터에는 800명의 직원이 포함되었습니다. 모델 훈련을 지원하기 위해 버그 설명 필드에서 먼저 버그 키워드가 추출되었습니다. 결과는 제안된 모델이 89% 정확도를 달성함을 보여줍니다.