정보과학회논문지 (Journal of KIISE)
Current Result Document :
| 한글제목(Korean Title) |
깃허브 이슈 관리 시스템을 위한 다중 레이블 분류 봇 |
| 영문제목(English Title) |
A Multi-label Classification Bot for Issue Management System in GitHub |
| 저자(Author) |
박도제
양혜진
최광현
이선아
강성원
Doje Park
Yyejin Yang
Gwang Choi
Seonah Lee
Sungwon Kang
|
| 원문수록처(Citation) |
VOL 48 NO. 08 PP. 0928 ~ 0939 (2021. 08) |
한글내용
(Korean Abstract) |
많은 개발자들이 오픈 소스 소프트웨어를 개발할 때 사용하는 GitHub 플랫폼은 이슈 관리 시스템을 제공한다. 이 시스템을 활용하여 관련자들은 소프트웨어 문제가 생기거나 기능적인 요청을 할 경우 이를 이슈로 보고할 수 있다. 깃허브의 이슈 관리 시스템은 이슈 보고서에 개발자들이 자유롭게 레이블을 만들어 이슈를 분류할 수 있도록 도와준다. 그러나 레이블링 작업은 수작업으로 이루어지기 때문에 많은 노력이 들어가고 부정확한 레이블링이 쉽게 발생할 수 있다. 반면 레이블링 없는 이슈들을 하나씩 읽고 피드백을 주기 위해서는 많은 시간이 필요하다 이러한 문제점들을 해결하기 위해 단일한 레이블을 붙이는 연구들이 존재한다. 그러나 실제 이슈 보고서에는 여러 개의 레이블이 붙어야 하는 이슈 보고서들도 적지 않게 존재한다. 따라서 본 연구에서는 GitHub 프로젝트 관리자들이 이슈 보고서를 읽고 피드백 주는데 들이는 노력을 줄일 수 있도록 복수개의 레이블을 자동으로 붙이는 다중 레이블링 봇을 제안한다. 제안한봇에서 사용한 다중 레이블 분류 기법은 0.54의 정확도와 0.78의 F1-score를 보였다. |
영문내용
(English Abstract) |
The GitHub platform, on which many developers develop open-source software projects, provides an issue management system. Using the system, the stakeholders can report software problems or functional requests as issues. The issue management system provides issue report forms and allows developers to create and use labels to classify issues. However, since the labeling work is manually done, it requires a lot of effort from the developers and inaccurate labeling can easily occur. In addition, it takes a lot of time for a project manager to read and give feedback on each issue. To mitigate this problem, previous studies have proposed attaching a single label to an issue automatically. However, in practice, there are a number of issue reports that need multiple labels to be attached. Therefore, in this study, we proposed a multi-labeling bot that automatically attaches multiple labels to an issue report in order to reduce the effort required by a project manager to read issue reports and give feedback in GitHub. The multi-label classification of our bot showed F-score ranging from 0.54 to 0.78. |
| 키워드(Keyword) |
머신 러닝
소프트웨어 산출물
소프트웨어 유지보수
이슈 보고서
FastText
다중 레이블
machine learning
software artifact
software maintenance
issue report
FastText
multi-label
|
| 파일첨부 |
PDF 다운로드
|
