Hybrid optimization of multiple intelligent recommendation engines for software development cycles

Birincil amaç, bu tür sistemlerin performansını iyileştirmek için hibrit bir öneri sistemi yaklaşımı oluşturmaktır. Bu öneri sistemi tipik olarak, bir hata raporunda sorun gidermeye uygun az sayıda geliştiriciyi atamak veya önermek için kullanılır. Hata havuzları içindeki koleksiyonları yönetmek, tanımlanan belirli hataları düzeltmek yazılım geliştiricilerin görevidir. Hatalar genellikle oluşturulur, bu nedenle ihtiyaç duyulan geliştiricilerin sayısı yüksektir, bu nedenle belirli görevlere kaç tane atanacağına karar vermek zordur. Bu analiz, en son bilimsel yöntemlerin sonuçlarını daha iyi anlamayı amaçlamaktadır. Ayrıca geliştirici önceliklendirmesini ve bir sorunun geliştiriciye atanmasını belirlemek için bunun nasıl kullanılabileceğini ele aldık. İki yönü inceledik: ilki, hibrit makine öğrenimi yöntemlerini kullanan hata raporlarının seçimi ve hata deposunda geliştirici önceliklendirmesinin modellenmesi ve modelimizle geliştirici atama görevlerinin desteklenmesi. İkinci olarak, kanıtlanmış bilgi ve deneyime dayalı olarak geliştiricilerin geçmişleri tarafından önerilen ilgili hedefleri modelledik. Çalışma, App Store'daki hataları ve geliştirici sıralamalarını düzeltme konusunda iki başarılı kişinin deneyimine odaklanıyor. Hata havuzlarında geliştirici önceliklendirmesini kullanarak daha iyi atamalar yapmaya çalıştık, örneğin hata triyajı, önem derecesi belirleme ve yeniden açılan hata tahmini. Modelin çıktısını, temsili bir hata depoları örneğinde inceliyoruz. Sonuçlar, geliştiricilerin önceliklendirme önceliklendirmesinin çalışanın önceliklendirilmesinin ve programın yazılım desteği desteği ile hataların daha etkin bir şekilde çözülmesine açıklık getirilmiştir. Girişten sonra, Bölüm 2 literatürü anlatmaktadır; 3. bölüm çalışmalarda kullanılan metodolojiler hakkındadır, bulgular ve açıklamalar bu tezde açıklanmıştır, bölüm 4, aşağıdaki bölüm referanslar eşliğinde açıklamadır.