-
公开(公告)号:CN113282336A
公开(公告)日:2021-08-20
申请号:CN202110656618.3
申请日:2021-06-11
Applicant: 重庆大学
IPC: G06F8/72
Abstract: 本发明涉及一种基于质量保证框架的代码摘要集成方法。包括如下步骤:利用现有的代码摘要方法生成I个候选代码;基于协同过滤的组件,针对每一个候选代码摘要,分别计算两个质量分数Precisioni和Recalli,基于检索的组件,计算质量分数REScorei;利用每个候选代码摘要的质量分数Precisioni和Recalli,计算该候选代码摘要的调和平均数F1scorei;通过对各候选代码摘要的调和平均数的比较以及质量分数REScorei值的比较,选择质量最好的一个作为最终的输出结果sumbest。本发明所使用方法能够有效集成不同模型的优点,从而提升代码摘要的有效性。
-
公开(公告)号:CN112527769A
公开(公告)日:2021-03-19
申请号:CN202011426108.9
申请日:2020-12-09
Applicant: 重庆大学
IPC: G06F16/21 , G06F40/284 , G06K9/62 , G06F9/445 , G06F8/70
Abstract: 本发明公开了一种针对软件变更日志生成方法的自动化质量保证框架。包括如下步骤:基于软件历史变更数据,生成diffh的单词wd和msgref的单词wm的单词向量和基于协同过滤算法,计算单词wd和wm之间的关联性Rel(wd,wm);构建单词wd的单词映射表基于已构建的单词映射表,分别计算两个质量分数Precisioni和Recalli;基于词频‑逆文档频率(TF‑IDF),生成变更差异向量di;计算待测软件变更日志和历史软件变更之间的相似程度选择与待测软件变更Ci相似度最高的前n个历史软件变更至计算相关性分数RetScorei;设置阈值Prect、Rect和Rett,对待测软件变更Ci的生成日志的语义相关性进行预测;基于预测结果对软件变更日志进行过滤或者保留。
-
公开(公告)号:CN117093496A
公开(公告)日:2023-11-21
申请号:CN202311149037.6
申请日:2023-09-07
Applicant: 重庆大学
IPC: G06F11/36 , G06F21/57 , G06V10/776 , G06V10/82 , G06N3/10 , G06N3/0464
Abstract: 本发明公开了一种面向深度神经网络模糊测试的测试用例自动生成方法,包括如下步骤:基于被测试的DNNg,确定g中每个神经元fi对应的topk个激活图xj,突出显示每个激活图xj对应的掩模mj;集成掩模mj到池化函数pooling中,得到poolingc(mj,gl(xj));基于池化函数pooling合并神经元fi的注释向量a;基于注释向量a,分别解码两个概率p(d|a)和p(d);基于改进积分梯度选定重要神经元;由所选神经元检索对应的自然语言描述d(fi),结合g预测topk伪标签装配模板tori和tmut;使用语言‑图像预训练模型向量化模板得到eori和emut;设置阈值τ,基于相似度sim(eori,emut)与阈值τ的比较结果对生成的变异测试用例进行过滤或者保留。
-
公开(公告)号:CN113282336B
公开(公告)日:2023-11-10
申请号:CN202110656618.3
申请日:2021-06-11
Applicant: 重庆大学
IPC: G06F8/72
Abstract: 本发明涉及一种基于质量保证框架的代码摘要集成方法。包括如下步骤:利用现有的代码摘要方法生成I个候选代码;基于协同过滤的组件,针对每一个候选代码摘要,分别计算两个质量分数Precisioni和Recalli,基于检索的组件,计算质量分数REScorei;利用每个候选代码摘要的质量分数Precisioni和Recalli,计算该候选代码摘要的调和平均数F1scorei;通过对各候选代码摘要的调和平均数的比较以及质量分数REScorei值的比较,选择质量最好的一个作为最终的输出结果sumbest。本发明所使用方法能够有效集成不同模型的优点,从而提升代码摘要的有效性。
-
公开(公告)号:CN112527769B
公开(公告)日:2023-05-16
申请号:CN202011426108.9
申请日:2020-12-09
Applicant: 重庆大学
IPC: G06F16/21 , G06F40/284 , G06F18/22 , G06F9/445 , G06F8/70
Abstract: 本发明公开了一种针对软件变更日志生成方法的自动化质量保证框架。包括如下步骤:基于软件历史变更数据,生成diffh的单词wd和msgref的单词wm的单词向量和基于协同过滤算法,计算单词wd和wm之间的关联性Rel(wd,wm);构建单词wd的单词映射表基于已构建的单词映射表,分别计算两个质量分数Precisioni和Recalli;基于词频‑逆文档频率(TF‑IDF),生成变更差异向量di;计算待测软件变更日志和历史软件变更之间的相似程度选择与待测软件变更Ci相似度最高的前n个历史软件变更至计算相关性分数RetScorei;设置阈值Prect、Rect和Rett,对待测软件变更Ci的生成日志的语义相关性进行预测;基于预测结果对软件变更日志进行过滤或者保留。
-
-
-
-