缺陷在軟件系統(tǒng)中很常見，可能會給軟件用戶帶來各種各樣的問題。為了快速預(yù)測大型代碼庫中最可能出現(xiàn)的缺陷位置，開發(fā)了不同的方法。它們中的大多數(shù)都專注于設(shè)計(jì)與潛在缺陷代碼相關(guān)的特性（例如復(fù)雜性度量）。然而，這些方法并不能充分捕獲源代碼的語法和不同級別的語義，這是構(gòu)建準(zhǔn)確預(yù)測模型的重要能力。本文提出了一種新的預(yù)測模型，能夠自動(dòng)學(xué)習(xí)表示源代碼的特征，并將其用于缺陷預(yù)測。我們的預(yù)測系統(tǒng)建立在強(qiáng)大的深度學(xué)習(xí)、樹形結(jié)構(gòu)的長期短期記憶網(wǎng)絡(luò)之上，與源代碼的抽象語法樹表示直接匹配。對兩個(gè)數(shù)據(jù)集（一個(gè)來自三星貢獻(xiàn)的開源項(xiàng)目，另一個(gè)來自公共承諾庫）的評估表明了我們的方法對于項(xiàng)目內(nèi)和跨項(xiàng)目預(yù)測的有效性。

　　隨著軟件系統(tǒng)在我們社會的各個(gè)領(lǐng)域繼續(xù)發(fā)揮著關(guān)鍵作用，這些軟件產(chǎn)生的缺陷對企業(yè)和人們的生活產(chǎn)生了重大影響。然而，由于軟件代碼庫在規(guī)模和復(fù)雜性上的顯著增長，識別軟件代碼中的缺陷變得越來越困難。缺陷預(yù)測的重要性和挑戰(zhàn)使其成為軟件工程中一個(gè)活躍的研究領(lǐng)域。大量的研究已經(jīng)開始開發(fā)預(yù)測模型和工具，幫助軟件工程師和測試人員快速縮小軟件代碼庫中最有可能存在缺陷的部分。早期的缺陷預(yù)測有助于優(yōu)先考慮和優(yōu)化檢查和測試的工作和成本，特別是在面臨COS時(shí)。T和截止壓力。

　　機(jī)器學(xué)習(xí)技術(shù)已廣泛應(yīng)用于建立缺陷預(yù)測模型。這些技術(shù)從軟件代碼中派生出許多特性（即預(yù)測器），并將它們提供給常見的分類器，如Naive Bayes、支持向量機(jī)和隨機(jī)森林。大量的研究（例如）已經(jīng)仔細(xì)地設(shè)計(jì)了能夠區(qū)分有缺陷代碼和無缺陷代碼的功能，例如代碼大小、代碼復(fù)雜性（例如Halstead功能、McAbe、CK功能、情緒功能）、代碼轉(zhuǎn)換度量（例如更改的代碼行數(shù)）、過程度量。然而，這些特性并不能真正反映代碼的語法和語義。此外，軟件度量特性通常不能很好地概括：在某個(gè)軟件項(xiàng)目中工作良好的特性在其他項(xiàng)目中可能表現(xiàn)不好。