实验报告“lab2_实验报告1”探讨了在软件开发中如何对bug报告进行重要性和紧急性排序，以便更有效地管理修复优先级。实验聚焦于开源社区的SmartIDE项目，利用自然语言处理技术和机器学习算法对bug报告进行分类。
实验背景强调了在日常开发过程中，不是所有bug都需要立即处理。重要性和紧急性是决定bug优先级的关键因素。实验的目标是通过数据获取、需求排序和方法验证，对bug报告进行有效的分类。
实验任务包括：
1. 数据获取：从Bugzilla平台爬取bug报告，以描述作为分类的基础。
2. 需求排序：分析数据，基于重要性和紧急性将bug分为五个等级。
3. 方法验证：比较使用LUIS和Word2Vec进行的需求排序与Bugzilla的标准缺陷等级的一致性。
LUIS是微软提供的自然语言理解服务，用于构建语义理解模型。在实验中，它用于对bug报告进行语义分析，但因语料库不全，导致模型准确性有限。
分类标准采用了Bugzilla的五种缺陷描述（blocker, normal, major, minor, enhancement），作为建立语料库的基础。词转词向量的Word2Vec库则将文本转换为向量，通过计算单词间距离确定关联性。
实验方法包括编写Python爬虫收集数据，人工贴标签构建语料库，以及使用LUIS和Word2Vec进行模型训练和测试。两组分别采用这两种方法进行需求排序，通过API调用或向量计算确定bug的优先级。
实验结果显示，LUIS的准确度约为50%，而Word2Vec模型的准确度约为25%。误差主要源于不完整的语料库和主观的标签分配。
结果分析指出，尽管分类有一定精度，但仍与Bugzilla的标准存在差距。改善措施可能包括扩大语料库，增加样例，以及改进标签分配的客观性，例如通过多人投票来确定分类标准。
该实验探索了利用自然语言处理技术自动化bug报告分类的可能性，但同时也揭示了这一领域存在的挑战，如数据质量、模型训练和人类主观因素的影响。未来的工作需要进一步优化模型，提高分类准确性，以更好地支持软件开发中的bug管理。
