网络嵌入技术在软件缺陷预测中的应用

Qu等人[36]开发了一个名为'node2defect'的模型，使用了网络嵌入技术。该模型首先创建了程序的类依赖网络（CDN）。然后，使用'node2vec'学习一个向量来编码CDN的结构特征。然后，'node2defect'将这些向量与度量值进行拼接，并在机器学习分类器中使用它们。在这个模型中，RF被用作机器学习分类器。该模型在15个开源Java程序上进行了评估，并与传统的机器学习分类器使用3折交叉验证进行了比较。通过交叉验证，F-度量平均提高了9.2%，AUC平均提高了3.86%。与ASCI相比，使用'node2defect'的缺陷预测模型在F-度量上提高了9.1%，在AUC上提高了5.6%。

Yang等人[54]提出了一种动态预测阈值过滤算法，用于为数据集提供最佳的预测模型。他们使用复杂网络技术创建了一组多层结构特征度量，显示了特征的整体特征。该模型使用多层结构特征度量、缺陷交叉验证的单个版本和CK度量对名为'BaseRecyclerViewAdapterHelper'的软件的154个版本进行了测试。通过多层度量获得的模型在所有模型中平均表现更好。