基于机器学习和LDA主题模型的缺陷报告分派方法源码+项目说明.zip

# DevRec：Accurate developer recommendation for bug resolution ------ 该项目实现了一种基于多标签机器学习和LDA主题概率模型的软件缺陷报告分派方法。 代码纯粹本人手写，初次使用python和机器学习在严肃话题，代码注释不够或者混乱还请见谅。 ------ 代码基本复现了DevRec报告分派方法，但仍缺少降噪处理，在小数据集验证下，性能比原文差一些。 根据原文的验证方法，将数据集11等分，训练第一个数据集，并用地二个测试，接下来训练第一第二个数据集，用第三个预测，以此类推。 + [OK] read file! + [OK] the file has be Standardized! + [OK] dictionary is saved in dictionary ! num_topics = 21 + [OK] LDA model is saved! + [OK] LDA model is ready! test only br-analysis r5: 1.0 r10: 1.0 r5: 1.0 r10: 1.0 r5: 0.782051282051282 r10: 1.0 r5: 0.7458333333333333 r10: 1.0 r5: 0.7125000000000001 r10: 1.0 r5: 0.8729166666666668 r10: 1.0 r5: 0.8159722222222223 r10: 1.0 r5: 0.811437908496732 r10: 0.9683006535947711 r5: 0.6088050314465409 r10: 0.7556603773584903 r5: 0.6372549019607843 r10: 1.0 + [OK]find gama: [0.7238926662173903, 0.522715297056122, 0.02707073571840457, 0.23472140478470704, 0.27757847785072043] [0.47339674445300617, 0.9199228917603774, 0.19994059851075652, 0.3000426906721848, 0.22600152836999565] + [OK] test --- ! r5: 0 r10: 0 r5: 1.0 r10: 1.0 r5: 1.0 r10: 1.0 r5: 1.0 r10: 1.0 r5: 1.0 r10: 1.0 r5: 1.0 r10: 1.0 r5: 0.2465277777777778 r10: 0.19791666666666666 r5: 0.24542483660130718 r10: 0.30163398692810456 r5: 0.40220125786163524 r10: 0.5009433962264151 r5: 0.6029411764705882 r10: 0.8725490196078431 原论文所提供的java代码在本仓库内也有提供。