Page 135 - 《软件学报》2025年第9期

4046 软件学报 2025 年第 36 卷第 9 期

过程中都得到同等程度的关注, 这里将聚类质心数分别设置为 bug 数和开发人员数的 30%, 并随机选择测试集中
的样本作为初始簇中心. 所有实验均在配置为 16 GB 内存、英特尔酷睿 i7-7700、NVIDIA GTX 1080ti 的同一台
PC 机上进行.
4.4 结果与分析
● RQ1: 性能比较.
表 3 显示了 CBT-MF 与其他基线方法在 3 个所选数据集的测试集上, 进行 bug 分派后获得的评估指标统计
结果. 其中, 带有下划线的结果为每个类别的最佳结果, 粗体显示结果为 CBT-MF 的性能评估情况.

表 3 3 类方法和两种消融模型的总体性能比较

文本分类 相关性匹配 CF推荐 消融研究
数据集 指标
CBR DBRNN-A BERT GRCNN CBCF NCF Light GCN SGL CBT-MF CBT-G CBT-P
Recall@5 0.001 5 0.001 9 0.001 1 0.001 4 0.001 8 0.002 7 0.002 9 0.003 1 0.007 5 0.005 6 0.004 1
Recall@10 0.002 2 0.002 4 0.001 6 0.001 7 0.002 4 0.003 5 0.003 5 0.003 7 0.008 2 0.006 1 0.005 1
Recall@15 0.002 5 0.002 6 0.002 4 0.002 7 0.003 7 0.004 1 0.004 7 0.008 4 0.008 7 0.008 3 0.007 1
Recall@20 0.002 7 0.002 9 0.002 9 0.003 1 0.004 3 0.004 6 0.005 1 0.009 4 0.010 9 0.009 0 0.008 5
Recall@25 0.003 1 0.003 7 0.003 5 0.004 1 0.005 8 0.006 5 0.007 2 0.010 5 0.014 5 0.011 5 0.010 2
GC
Hit@5 0.019 6 0.026 1 0.024 4 0.028 8 0.029 7 0.031 5 0.036 1 0.038 8 0.047 6 0.036 8 0.033 2
Hit@10 0.028 4 0.032 0 0.032 3 0.038 6 0.033 2 0.039 6 0.043 6 0.040 5 0.053 9 0.041 6 0.039 6
Hit@15 0.033 0 0.041 0 0.040 8 0.043 2 0.041 8 0.045 1 0.049 1 0.054 0 0.060 2 0.051 1 0.045 9
Hit@20 0.045 7 0.046 6 0.046 9 0.048 3 0.049 9 0.051 0 0.052 0 0.058 6 0.063 1 0.055 0 0.052 5
Hit@25 0.062 9 0.071 2 0.058 5 0.068 9 0.068 0 0.073 0 0.090 2 0.110 1 0.121 6 0.071 5 0.065 1
Recall@5 0.000 3 0.000 4 0.000 7 0.000 9 0.001 0 0.001 3 0.001 4 0.001 8 0.003 6 0.001 5 0.001 2
Recall@10 0.000 6 0.000 7 0.000 9 0.001 0 0.001 1 0.001 3 0.001 6 0.002 4 0.004 1 0.002 2 0.002 1
Recall@15 0.000 7 0.000 8 0.000 9 0.001 1 0.001 0 0.001 4 0.001 7 0.002 9 0.004 3 0.002 6 0.002 3
Recall@20 0.000 8 0.000 9 0.001 0 0.001 1 0.001 2 0.001 6 0.001 8 0.003 2 0.004 4 0.002 9 0.002 4
Recall@25 0.001 0 0.001 2 0.002 5 0.002 6 0.001 9 0.002 2 0.002 7 0.003 5 0.008 5 0.003 3 0.002 9
MC
Hit@5 0.051 4 0.071 4 0.061 6 0.080 8 0.093 6 0.112 1 0.127 4 0.130 0 0.144 2 0.120 2 0.098 7
Hit@10 0.080 9 0.090 9 0.097 0 0.103 9 0.110 2 0.129 3 0.130 5 0.138 2 0.159 6 0.127 5 0.122 0
Hit@15 0.092 2 0.101 2 0.102 2 0.109 4 0.115 1 0.130 6 0.131 2 0.140 6 0.168 2 0.133 0 0.132 9
Hit@20 0.101 5 0.108 4 0.110 9 0.119 8 0.126 0 0.136 6 0.133 2 0.149 1 0.170 0 0.145 7 0.136 6
Hit@25 0.132 0 0.145 7 0.135 3 0.160 2 0.131 1 0.141 1 0.154 7 0.165 7 0.222 9 0.168 1 0.156 3
Recall@5 0.001 2 0.002 1 0.002 3 0.004 2 0.005 4 0.006 1 0.006 8 0.008 2 0.012 3 0.006 6 0.005 2
Recall@10 0.002 5 0.003 9 0.005 9 0.006 1 0.006 6 0.007 2 0.006 5 0.009 9 0.013 8 0.008 6 0.007 6
Recall@15 0.003 6 0.004 8 0.006 0 0.006 4 0.007 0 0.008 0 0.007 2 0.010 2 0.017 3 0.009 7 0.008 2
Recall@20 0.004 8 0.005 1 0.006 3 0.006 7 0.007 3 0.008 0 0.007 8 0.011 3 0.019 1 0.011 1 0.013 0
Recall@25 0.006 4 0.008 2 0.008 7 0.009 5 0.008 2 0.009 7 0.009 5 0.012 2 0.029 0 0.012 8 0.013 5
MF
Hit@5 0.176 2 0.189 6 0.215 9 0.233 0 0.260 2 0.287 4 0.302 4 0.356 8 0.372 7 0.295 1 0.271 7
Hit@10 0.207 2 0.232 5 0.253 7 0.275 1 0.288 0 0.307 9 0.328 5 0.339 1 0.398 2 0.301 1 0.292 0
Hit@15 0.251 5 0.278 3 0.261 5 0.283 2 0.293 6 0.318 9 0.338 5 0.359 2 0.419 6 0.355 8 0.317 3
Hit@20 0.280 0 0.296 5 0.279 9 0.290 2 0.299 8 0.333 3 0.346 7 0.380 0 0.423 8 0.370 6 0.345 5
Hit@25 0.301 5 0.324 2 0.305 7 0.324 7 0.310 8 0.353 3 0.368 0 0.401 7 0.430 9 0.401 2 0.381 3

从表 3 中可以观察到, 尽管 3 类不同的分派方法均采用了相同的优化方式, 但在 GC、MC 和 MF 数据集上
的 Recall@K 指标表现差异仍然较大. 其中, CBT-MF 在所有 Recall@K 指标上表现得最好, 其次是 SGL 方法. 而在
剩余方法中, NCF 和 LightGCN 方法表现较为接近. BERT 方法劣于 GRCNN, 且二者的 Recall@K 指标均低于 CF
推荐类的方法. 与 CBR 相比 DBRNN-A 表现出了一定的优势, 但均两类指标均低于相关性匹配和 CF 推荐类的方
法. 这些方法性能表现结果差异很大程度上是因为, 基于单一模态 bug 分类、相关性匹配和基于 CF 的方法采用
了不同的处理过程, 且方法模型的学习过程也不尽相同, 最终表现出了不同的数据拟合能力, 从而影响了方法的分
派性能.