缺陷在軟件系統(tǒng)中很常見，可能會(huì)給軟件用戶帶來各種各樣的問題。為了快速預(yù)測(cè)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(jí)別的語義，這是構(gòu)建準(zhǔn)確預(yù)測(cè)模型的重要能力。本文提出了一種新的預(yù)測(cè)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(cè)。我們的預(yù)測(cè)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(duì)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(píng)估表明了我們的方法對(duì)于項(xiàng)目內(nèi)和跨項(xiàng)目預(yù)測(cè)的有效性。

　　隨著軟件系統(tǒng)在我們社會(huì)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(duì)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(shí)別軟件代碼中的缺陷變得越來越困難。缺陷預(yù)測(cè)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(cè)模型和工具，幫助軟件工程師和測(cè)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(cè)有助于優(yōu)先考慮和優(yōu)化檢查和測(cè)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(cè)模型。這些技術(shù)從軟件代碼中派生出許多特性（即預(yù)測(cè)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。