Evrişimli sinir ağının etkinliğinin hata raporları atamada fasttext kelime gösterimi tekniğiile araştırılması

Yazılım hataları genellikle yazılım yaşam döngüsü sırasında tanımlanır. Temelde insan hataları, kötü program tasarımı veya test yapılmadan erken dağıtım nedeniyle bir hata oluşturulabilir. Ancak bu hataların atanması, yazılım geliştirme sürecini potansiyel olarak ihlal edebilir. Bunun nedeni, hata raporlarını atama sürecinin genellikle manuel olmasıdır, bu da atama sürecini uzun, zor ve hatalara açık hale getirir. Hata raporlarının atanması sürecinde kullanılan zamanı ve maliyeti azaltmak için birçok sınıflandırma tekniği önerilmiştir. Ancak, bu sınıflandırma tekniklerinin performansı, veri kümesinin karmaşıklığı ve sınıf sayısı nedeniyle azalmaktadır. günümüzde derin öğrenme algoritmaları bu konuda büyük verimlilik göstermiştir. Derin öğrenme algoritmaları, karmaşık ve yapılandırılmamış veri kümelerinde daha iyi sonuçlar verir. Verileri anlamak ve daha iyi sınıflandırma sonuçları elde etmek için metin verilerini sayısal değerlere dönüştürmek önemlidir. Genellikle klasik kelime temsil yöntemleri, metin verilerinin anlamsal ve sözdizimsel anlamını yakalamada düşük performans gösterir. Araştırmamızda, Convolution sinir ağı (CNN) ile kelime temsil tekniği olarak FastText kullanan bir model öneriyoruz. FastText, kelime analojileri, anlamsal ve sözdizimsel vb. gibi metnin önemli bilgilerini yakalar. Önerilen modelimiz farklı veri setleri üzerinde test edilmiş ve Top-K geliştirici doğruluklarını vermiştir. Modelimiz geçmiş araştırmalarla karşılaştırıldığında daha iyi sonuçlar vermektedir.