[发明专利]一种文本代码相结合的缺陷原因自动分类方法

权利要求书

1.一种文本代码相结合的缺陷原因自动分类方法，其特征在于，包括以下步骤：

步骤1、提取缺陷报告中的文本内容以及附录中的patch文件，之后进行数据清洗形成缺陷数据集；

步骤2、从所述缺陷数据集中选取状态为VERIFIED FIXED且附有patch文件的缺陷，构建待分类缺陷集；

步骤3、抽取待分类缺陷集中缺陷的文本内容，并对其进行自然语言处理，之后根据缺陷原因分类标准对待分类缺陷集进行类别标注，构建缺陷原因分类集；

步骤4、自定义缺陷修改结构类别，并从所述patch文件中抽取缺陷修复前、后的diff代码，之后获取缺陷修复过程中修改的diff代码对应的缺陷修改结构类别；所述获取缺陷修复过程中修改的diff代码对应的缺陷修改结构类别，具体为：

步骤4-1、将缺陷修复前、后的diff代码分别转换为抽象语法树AST；

步骤4-2、通过对比两个抽象语法树AST识别出发生变化的节点；

步骤4-3、根据所述发生变化的节点获取修改的diff代码对应的缺陷修改结构类别；

步骤5、利用深度学习方法对缺陷原因分类集进行训练，获取缺陷原因自动分类器，新缺陷输入缺陷原因自动分类器即可完成缺陷原因的自动分类；所述利用深度学习方法对缺陷原因分类集进行训练，获取缺陷原因自动分类器，具体为：

步骤5-1、将缺陷原因分类集划分为训练集和测试集；

步骤5-2、利用深度学习模型对所述训练集进行训练；

步骤5-3、将步骤4获取的缺陷修复过程中修改的diff代码对应的缺陷修改结构类别作为特征，利用word2vec对缺陷原因分类集进行训练，获得词向量模型，并将词向量模型作为深度学习模型的embedding输入；

步骤5-4、对所述测试集进行交叉验证得缺陷原因自动分类器。

2.根据权利要求1所述的文本代码相结合的缺陷原因自动分类方法，其特征在于，步骤1所述文本内容包括标题、描述和评论。

3.根据权利要求1所述的文本代码相结合的缺陷原因自动分类方法，其特征在于，步骤3所述自然语言处理包括去停用词、去符号、统计词频、分句、分词、统计缺陷文本长度。

4.根据权利要求1所述的文本代码相结合的缺陷原因自动分类方法，其特征在于，步骤3所述缺陷原因分类标准包括12种，分别为Compatibility、Environment、Norm、Configuration、Performance、User interface、Function、Interface、Logic、Computation、Assignment、Documentation。

5.根据权利要求1所述的文本代码相结合的缺陷原因自动分类方法，其特征在于，步骤4所述自定义缺陷修改结构类别具体包括5种缺陷修改结构类别，如下表1所示：

表1缺陷修改结构类别定义表