A Deep Learning Model for Estimating Story Points 阅读笔记

2023-10-31 19:50

本文主要是介绍A Deep Learning Model for Estimating Story Points 阅读笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

A Deep Learning Model for Estimating Story Points 阅读笔记

背景与动机

工作量估算是软件项目管理的重要组成部分,特别是对于计划和监视软件项目。 成本和进度超支一直是软件项目中的常见风险。 麦肯锡大学和牛津大学对5400个大型IT项目进行了研究,发现大型软件项目平均超出预算66%,加班33%。 对1,471个软件项目的另一项研究[2]显示了相似的发现:六个软件项目中有一个预算超支了200%,进度超支了近70%。 涉及工作量估算的活动是规划和管理软件项目的关键部分,以确保其在预算范围内及时完成。 不同的涉众可以将工作量估算用作制定项目计划,安排迭代或发布计划,预算和成本计算的输入。 因此,不正确的估计可能会对项目成果产生不利影响

软件工作量估算的研究可以追溯到几十年前,通常可以分为

  • 基于模型的方法
  • 基于专家的方法
  • 结合了基于模型的方法和基于专家的方法的混合方法

基于模型的方法利用来自旧项目的数据来对新项目进行预测。 基于专家的方法依赖于人类的专业知识来做出判断。

因为现有方法的种种不足, 作者提出一个基于故事点的方法, 其中story点的值代表着完成此用户故事需要的相对努力例如分配给两个故事点的用户故事应比分配给一个故事点的用户故事花费两倍的精力,基于LSTM和RHN来建立一个端到端的模型, 能够进行故事点评估

模型结构

其本质就是一个长文本回归问题

模型主要包括4个部分

词嵌入

这里的词嵌入和传统的NLP问题不同, 它的词向量是自己训练的, 是用Issue Report(也就是出现问题的代码issue)为预料进行预训练, 得到词向量库, 然后对每个词进行嵌入。

LSTM表示文档

使用LSTM 对所有单词, 把所有单词的词嵌入 输入到LSTM 中, 然后得到每个单词的输出表示, 然后进行池化,得到文档的最终表示

RHN进行深度提取

我们在通过LSTM之后吗得到每个文档的特征向量,当然我们可以直接进行回归, 但是作者认为这项提取的特征还不够深, 于是使用RHN 来对文档特征进行更加深入的提取, 之所以使用RHN, 其主要原因是:

  • 解决参数的数量随层的数量而增长,导致过度拟合;
  • 堆叠许多非线性函数使信息和梯度难以通过 , 模型难以训练

而RHN 正好可以解决这些问题

回归

在神经网络最后加一个线性层 进行分类, 没有采用传统的回归方法

模型评估

这是数据集的各项数据

在这里插入图片描述

这是最终的实验结果

在这里插入图片描述

可以看出Deep-SE 的要优于之前的模型

个人评价理解

这篇实证论文非常有意义,我比较有感悟的点为:

  • 其研究方向非常有趣, 是结合着软件工程的敏捷开发来的, 用于去对软件各个故事点进行精力评估
  • 创建一个近现代数据集, 该数据集来自16个大型多样的软件项目
  • 提出了一种基于深度学习的,完全端到端的预测系统,用于估计故事点。相较于传统方法,此方法能够使用深度学习方法,可以得到更多的拓展
  • 模型将 LSTM 和RHN 结合起来, 其中RHN 也是一个我之前了解不深的网络,

因为其实这篇文章也类似于一个NLP方向的任务, 也就是给一个文档,然后预测其分数,我之前有做过一些文档的分类任务,可以给出一些可能的改进方向

  • Attention 现在也是用的比较多的机制了, 可以用于与处理这一些数据
  • Transformer 这样用于处理序列的结构似乎也可以用到
  • 传统的回归方法可以使用一下,效果不一定比 神经网络的MLP回归效果差

但总之这篇论文还是给我们一些启示和感悟,关于实证类论文我们也需要多多了解。

这篇关于A Deep Learning Model for Estimating Story Points 阅读笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/317717

相关文章

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言:为什么要自建知识博客一、技术选型:极简主义开发栈二、系统架构设计三、核心代码实现(分步解析

Pydantic中model_validator的实现

《Pydantic中model_validator的实现》本文主要介绍了Pydantic中model_validator的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录引言基础知识创建 Pydantic 模型使用 model_validator 装饰器高级用法mo

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

vue解决子组件样式覆盖问题scoped deep

《vue解决子组件样式覆盖问题scopeddeep》文章主要介绍了在Vue项目中处理全局样式和局部样式的方法,包括使用scoped属性和深度选择器(/deep/)来覆盖子组件的样式,作者建议所有组件... 目录前言scoped分析deep分析使用总结所有组件必须加scoped父组件覆盖子组件使用deep前言

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个