1、自动通过bug报告定位bug文件。
2、解决可能出现的bug报告和源码的技术技术术语和自然语言词汇不匹配问题。
3、DNN难以扩展问题。
本文提出HyLoc，将改进的VSM和DNN联系在一起。rVSM提取特征来查看文本相似度，DNN用于测量他们之间的相关性，学习将bug报告的术语和源码中不同的代码token、术语联系到一起，其中这些术语，token频繁出现在报告和对应bug文件中。
l 为了从bug报告和源码的关联中提取特征。使用了DNN，DNN包含两个分开的空间。降维后，将特征喂给两个DNN：
1、一个DNN学习bug报告文本和代码文本token（例如注释）的联系
2、另一个DNN学习bug报告文本和代码token（例如标识符，API）
l 针对DNN的扩展性的限制问题，本文采用基于DNN的自动编码机，减少特征空间维度，且保留重要信息，删除多余信息。
l 除了rVSM文本相似特征和DNN的关联特征，本文还整合了第三种特征，元数据特征。提取bug修复历史如Ye和Kim的做法。例如，最近修复的文件比很久之前修复的文件仍包含bug的可能性更大。因此，计算文件代码修复近因得分，将其作为元数据特征。
l 为了将这三个类型的特征联系起来，本文使用了DNN，作为非线性特征连接器，来计算针对一个bug报告的文件的最终得分。
1、使用DNN作为词汇差异的桥梁。将bug报告和源码中不同类型的特征在不同空间中处理。为了计算bug报告和文件间的相关度，本文认为报告是文本，提取文本token。对于源码，本文提取一下特征1）标识符2）API（API方法调用和类）3）文本注释4）代码中使用的API的文本描述。本文将不同类型的特征分到俩个空间，建立特征向量。使用两个DNN：一个是学习bug报告文本和源码文本token的相关性，一个是学习bug报告文本和代码token的相关性。这两个空间的基本原理是DNN通过不同性质的特征的权重来识别这种关系。
2、使用DNN进行特征组合。将DNN和rVSM，以及bug修复历史组合到一起。通过充分的训练数据，层中的权重映射出特征的权重。且DNN的非线性函数优于线性。
3、使用DNN进行降维。训练DNN模型，可以编码原始特征向量，最大化原始向量和解码向量的相似性，通过编码。
B、模型架构
图片：1.png
图1是整个模型架构。通过训练，得到bug报告和它的对应一个bug文件的正向对。同时也可以创建负向对，即与报告文本相似但是没有bug的文件。
对于每一对，提取特征，建立特征向量。每个向量的元素都表示特征类型中特征的重要性的值。使用相应的自动编码器DNN将每种类型特征的特征向量降维。降维后，将其喂给DNN学习对于每个bug报告的bug文件。DNN相关性评估输出叫做相关性分数，喂给基于DNN的特征组合器，学习权重，将三种类型组合在一起。特征组合器的权重有助于设置特征在确定bug报告的bug文件中的重要性。需要注意相关性评估和特征组合的所有DNN每一层都可以独立训练，可以认为是无监督的RBM。
对于给定bug报告B，将其与每一个源码文件f配对。特征提取，建立特征向量对，对于B，得到最终分数。分数越高表示f约可能是B表示的bug。
基于DNN的相关性评估
图片：2.png
图2表示DNN的特征降维和相关性评估。特征向量喂给映射DNN，映射DNN输出串联到一个大的向量中，作为DNN相关性评估模型的输入。评估模型的输出是相关性分数，本文使用两个DNN来学习相关性：
1、第一个DNN学习bug报告和源码特征的文本特征相关性。叫做DNN BR-to-Code DNN.
2、第二个DNN，学习bug报告和注释和API描述的文本特征相关性，叫做DNN BR-to-Text
DNN
分开的原因是第一个是源码，第二个是自然语言。bug报告可能都包含。这两个DNN是区分现有方法的关键。对于每个相关性评估的DNN，使用RBM，且只有一个隐藏层。两个DNN的输出喂给相关性输出模型，训练中，它的输出分数0-1,1表示相关。
A、实验设置和指标
数据集：使用了和Ye相同的数据集，如表1
图片：3.png
bug报告中有源码链接和bug文件，API文档。http://dx.doi.org/10.6084/m9.figshare.951967（简直完美）。
注意：由于源码文件数量很大，不可能全部训练，则选择训练文本相似度在前300的作为负样本。在预测界定，仍然计算了项目中所有文件的分数和排名。本文按照bug报告时间戳按照时间来排序。对于除最小项目AspectJ之外的所有项目，我们将bug报告分为10个fold，其中fold1是最旧的，fold10是最新的。用foldi训练，用foldi+1测试。对于AspectJ，将报告分为3folds。
本文使用了三种指标来评估。
1、Top-ranked
accuracy。如果给定bug报告的bug文件之一在top-k列表中，则算作一击，否则认为misss。Top-k accuracy是所有fold中的hit数占总建议数的百分比。
2、MAP
3、MRR
B、组件和参数对准确度的影响
评估了不同组件和参数对准确度的影响，本文选在了Tomcat
1） 不同组件的准确度：如图3，图3中，标有DNN的线显示了模型的准确性，仅使用DNN来计算bug-report-to-file相关性作为唯一的功能。
图片：4.png
为了更好的说明DNN,rVSM和DNN+rVSM，本文使用了文氏图，图4。
图片：5.png
本文的目标是评估有多少重叠面积DNN + rVSM组合模型和DNN和rVSM模型的正确结果。
3）两个空间中连接术语：NLP中，DNN可以映射和链接词汇，这些词汇在语义或者语法上有相近的位置在连续的特征空间中（至少在一些维度上）
本文对图2模型进行训练后，使用所有bug报告中的每一个文本token作为输入，将它与源码中每个代码token和注释、文档中的文本token配对。本文使用DNN 计算每个对的输出分数，最后，对bug报告中每一个文本token，产生了源码中相关token列表，按照相关性分数排序。表2展示了一些相关术语在bug报告25060，尽管使用了不同词汇术语，但是DNN可以将它们组合在一起。尽管使用了不同的词汇术语（例如context对ctx和envCtx），但是CNN可以将他们联系起来。初次之外，术语resource没有在bug文件StandardContext.java中出现，然而DNN可以将它与文件中例如virtualClasspath，changeSessID，setSecureClass联系在一起。由于他们频繁在bug报告和bug源码中成对出现，所以DNN可以定位和排列这个bug文件为最高。
图片：6.png
4）特征组合比较：我了比较特征组合通过DNN和通过learn-to-rank的区别，本文建立了另一个实验模型，三种类型的特征通过learn-to-rank连接，比较准确度，结果显示，top-1精确度，DNN高于LRCombine22%，而top-5高10%，结果表明，非线性组合比线性的效果好。
C、准确度比较
比较HyLoc与最新的方法，比如朴素贝叶斯，LR，BugLocator。使用Ye数据集
图片：7.png
D、效率
图片：8.png
