Page 21 - 《软件学报》2026年第4期

1462 软件学报 2026 年第 37 卷第 4 期

29.60% 提升至 33.85%, BERT 从 54.95% 提升至 58.37%. 这一结果充分证明了 HQSS-CDABSA 方法的有效性, 能
够有效筛选训练数据中的高质量样本, 显著减少源领域与目标领域之间的分布差异.

表 5 不同模型在不同数据选择策略下处理跨领域 ATE 任务的 F1 值比较结果 (%)

模型 Data D→R D→S L→R L→S R→D R→L R→S S→D S→L S→R Avg
All 32.87 4.95 24.50 2.90 26.06 27.62 2.90 31.85 24.58 22.59 20.08
RNN
70% 35.45 5.20 28.30 3.41 28.99 29.72 4.69 34.22 29.20 26.53 22.57
All 37.06 5.70 34.28 4.44 42.45 36.39 2.64 44.10 32.49 26.31 26.59
Bi-LSTM
70% 38.06 6.21 35.81 4.69 43.69 37.87 4.95 49.09 37.10 28.71 28.62
All 42.49 16.30 38.46 11.97 42.59 40.07 19.18 47.98 39.01 32.66 33.07
Att-LSTM
70% 44.43 21.95 41.75 15.41 44.65 43.32 21.12 53.51 41.78 34.66 36.26
All 38.32 5.45 34.47 4.69 39.63 34.14 3.67 56.29 41.71 37.60 29.60
GAN
70% 39.69 5.70 38.51 5.45 53.44 45.91 5.19 58.30 47.60 38.75 33.85
All 60.53 40.96 61.36 36.53 67.71 61.97 38.62 64.40 55.62 61.83 54.95
BERT
70% 62.69 48.49 63.12 36.99 69.70 64.37 42.05 75.53 58.10 62.64 58.37

表 6 不同模型在不同数据选择策略下处理跨领域 ACD 任务的 F1 值比较结果 (%)

模型 Data S ACD →R ACD S ACD →H ACD H ACD →R ACD H ACD →S ACD R ACD →S ACD R ACD →H ACD Avg
All 70.17 57.73 37.63 42.76 52.62 48.60 51.58
RNN
70% 71.83 63.85 50.31 51.48 61.51 49.63 58.10
All 70.83 60.19 70.14 67.55 61.79 52.38 63.81
Bi-LSTM
70% 71.25 63.87 71.66 73.92 73.37 58.00 68.68
All 70.60 61.40 69.81 67.62 68.68 57.85 65.99
Att-LSTM
70% 71.66 64.93 70.58 74.51 73.02 62.71 69.57
All 56.95 52.74 40.16 49.27 56.15 50.44 50.95
GAN
70% 61.19 56.28 50.98 55.42 58.66 53.51 56.01
All 72.05 62.67 75.15 73.90 72.10 73.38 71.54
BERT
70% 72.26 64.37 76.33 74.51 73.65 75.28 72.73

表 7 不同模型在不同数据选择策略下处理跨领域 ABSC 任务的 F1 值比较结果 (%)

模型 Data D→R D→S L→R L→S R→D R→L R→S S→D S→L S→R Avg
All 29.95 3.67 23.54 1.59 25.84 24.74 2.41 23.27 22.62 19.34 17.69
RNN
70% 32.13 4.69 26.19 3.41 27.99 27.10 3.08 24.65 26.56 21.69 19.75
All 29.84 5.45 29.10 3.93 39.22 32.34 2.38 34.59 26.36 26.85 23.00
Bi-LSTM
70% 36.61 5.96 33.05 5.20 41.97 34.32 4.18 39.61 29.03 27.38 25.73
All 40.62 8.43 35.61 7.19 39.64 36.59 13.84 40.59 29.77 32.66 28.49
Att-LSTM
70% 41.55 12.68 39.66 10.55 42.44 41.16 17.39 39.30 42.19 31.76 31.87
All 35.34 4.94 34.71 3.15 33.42 30.47 2.89 44.89 32.32 34.97 25.71
GAN
70% 38.29 5.70 42.13 4.94 45.64 44.40 4.44 63.17 44.66 38.23 33.16
All 60.52 34.00 60.09 31.76 73.27 61.85 33.63 61.13 54.82 58.18 52.93
BERT
70% 63.10 35.69 60.88 32.47 75.25 63.45 35.40 66.26 62.49 59.07 55.41

表 6 中的实验结果表明, 针对跨领域 ACD 任务, 所提方法同样能够有效提升 5 种模型的性能表现. 5 种模型
在 6 组跨领域 ACD 任务上的平均 F1 值均有所提升, 具体表现为: RNN 从 51.58% 提升至 58.10%, Bi-LSTM 从
63.81% 提升至 68.68%, Att-LSTM 从 65.99% 提升至 69.57%, GAN 从 50.95% 提升至 56.01%, BERT 从 71.54% 提
升至 72.73%. 这一结果进一步证明了所提方法在筛选训练数据中的高质量样本方面的有效性.
表 7 中的实验结果表明, 针对跨领域 ABSC 任务, 所提方法在提升 5 种模型的性能表现方面仍具备有效性. 5
种模型在 10 组跨领域 ABSC 任务上的平均 F1 值均有所提升, 具体表现为: RNN 从 17.69% 提升至 19.75%, Bi-
LSTM 从 23.00% 提升至 25.73%, Att-LSTM 从 28.49% 提升至 31.87%, GAN 从 25.71% 提升至 33.16%, BERT 从