SavedAdd your journal

Journals / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 5

Prioritization of software development demands with text mining techniques

Yazılım geliştirme taleplerinin metin madenciliği yöntemleriyle önceliklendirilmesi

Murat Can Tekin
Volkan Tunalı
Pages
615–620
Publication Date
2019-10-21
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Ayrıca, aşırı örnekleme yoluyla sınıfların dengeli hale getirildiği veri seti üzerinde ise en yüksek başarıma %74.5 F-Skoru değeri ile Random Forest algoritmasıyla ulaşılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Kurumsal şirketlerde, yazılımlardaki hatalar ve değişiklik talepleri genellikle bir talep yönetim sistemi üzerinden Bilgi Teknolojileri (BT) birimine iletilir.
📊
Key Findings & Data:Oluşturulan veri seti üzerinde çeşitli sınıflandırma algoritmaları test edilmiş ve en yüksek başarım %54.1 F-Skoru ile Sequential Minimal Optimization algoritmasıyla elde edilmiştir.
💡
Conclusion & Impact:Ayrıca, aşırı örnekleme yoluyla sınıfların dengeli hale getirildiği veri seti üzerinde ise en yüksek başarıma %74.5 F-Skoru değeri ile Random Forest algoritmasıyla ulaşılmıştır.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Yazılım mühendisliği · Talep önceliklendirme · Yapay öğrenme

Özet

Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Kurumsal şirketlerde, yazılımlardaki hatalar ve değişiklik talepleri genellikle bir talep yönetim sistemi üzerinden Bilgi Teknolojileri (BT) birimine iletilir. Bu sistemde yer alan öncelik bilgisi BT birimi için kritik öneme sahiptir. Ancak, talebi giren kişilerin inisiyatifine bırakılan öncelik kararı her zaman gerçekçi olmamaktadır. Örneğin, kritik olmayan ve düşük öncelikli bir değişiklik talebi yüksek öncelikli olarak girilebilmekte, bu da hatalı planlama ve müşteri memnuniyetsizliği ile sonuçlanabilmektedir. Bu çalışmada, iç müşteri talepleri metin madenciliği yöntemleriyle sınıflandırılarak taleplerin önem derecesi tahmin edilmeye çalışılmıştır. Sistemin eğitimi ve testi için kurumsal bir şirketin talep yönetim sisteminden alınan kayıtlar kullanılmıştır. Ham metin formundaki talep verisi üzerinde temizlik ve önişleme işlemlerinin ardından, doküman-terim matrisinin oluşturulmasında TF-IDF (Terim Frekansı – Ters Doküman Frekansı) ağırlıklandırma yönteminden yararlanılmıştır. Oluşturulan veri seti üzerinde çeşitli sınıflandırma algoritmaları test edilmiş ve en yüksek başarım %54.1 F-Skoru ile Sequential Minimal Optimization algoritmasıyla elde edilmiştir. Ayrıca, aşırı örnekleme yoluyla sınıfların dengeli hale getirildiği veri seti üzerinde ise en yüksek başarıma %74.5 F-Skoru değeri ile Random Forest algoritmasıyla ulaşılmıştır.

🔖

Cite This Article

Tekin, M. C., Tunalı, V. (2019). Prioritization of software development demands with text mining techniques. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 25 Sayı: 5, 615–620. https://ajindex.com/articles/1058584

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (21)

  1. Uddin J, Ghazali R, Deris MM, Naseem R, Shah H. "A survey on bug prioritization". Artificial Intelligence Review, 47(2), 145-180, 2017.
  2. Tian Y, Lo D, Sun C. "Information Retrieval Based Nearest Neighbor Classification for Fine-Grained Bug Severity Prediction". 19th Working Conference on Reverse Engineering, Ontario, Canada, 15-18 October 2012.
  3. Sharma M, Bedi P, Chaturvedi KK, Singh VB. "Predicting the priority of a reported bug using machine learning techniques and cross project validation". 12th International Conference on Intelligent Systems Design and Applications (ISDA), Kochi, India, 27-29 November 2012.
  4. Sharma G, Sharma S, Gujral S. "A novel way of assessing software bug severity using dictionary of critical terms". Procedia Computer Science, 70, 632-639, 2015.
  5. Zhang T, Chen J, Yang G, Lee B, Luo X. "Towards more accurate severity prediction and fixer recommendation of software bugs". Journal of Systems and Software, 117, 166-184, 2016.
  6. Kanwal J, Maqbool O. "Bug prioritization to facilitate bug report triage". Journal of Computer Science and Technology, 27(2), 397-412, 2012.
  7. Kaushik N, Amoui M, Tahvildari L, Liu W, Li S. "Defect Prioritization in the Software Industry: Challenges and Opportunities". IEEE 6th International Conference on Software Testing, Verification and Validation, Luxembourg, Luxembourg, 18-22 March 2013.
  8. Alenezi M, Banitaan S. "Bug Reports Prioritization: Which Features and Classifier to Use?". 12th International Conference on Machine Learning and Applications, Florida, USA, 4-7 December 2013.
  9. Yang C, Chen K, Kao W. "Improving severity prediction on software bug reports using quality indicators". IEEE 5th International Conference on Software Engineering and Service Science, Beijing, China, 27-29 June 2014.
  10. Tian Y, Lo D, Xia X, Sun C. "Automated prediction of bug report priority using multi-factor analysis". Empirical Software Engineering, 20(5), 1354-1383, 2015.
  11. Schütze H, Manning CD, Raghavan P. Introduction to Information Retrieval. New York, USA, Cambridge University Press, 2008.
  12. Han J, Kamber M. Data Mining: Concepts and Techniques. 2nd ed. California, USA, Morgan Kaufmann Publishers, 2006.
  13. Kibriya AM, Frank E, Pfahringer B, Holmes G. "Multinomial naive bayes for text categorization revisited". 17th Australian joint conference on Advances in Artificial Intelligence, Cairns, Australia, 4-6 December 2004.
  14. Platt JC. Fast Training of Support Vector Machines Using Sequential Minimal Optimization. Editors: Bernhard S, Christopher JCB, Alexander JS. Advances in Kernel Methods, 185-208, Massachusetts, USA, MIT Press, 1999.
  15. Breiman L. "Random forests". Machine Learning, 45(1), 5-32, 2001.
  16. Rodriguez JJ, Kuncheva LI, Alonso CJ. "Rotation forest: A new classifier ensemble method". IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(10), 1619-1630, 2006.
  17. Rahman MM, Davis DN. "Addressing the class imbalance problem in medical datasets". International Journal of Machine Learning and Computing, 3(2), 224-228, 2013.
  18. Tunalı V, Bilgin TT. "PRETO: A High-performance Text Mining Tool for Preprocessing Turkish Texts". International Conference on Computer Systems and Technologies, Ruse, Bulgaria, 22-23 June 2012.
  19. Akın AA, Akın MD, "Zemberek, an open source NLP framework for Turkic Languages", 2007.
  20. Eryiğit G, Adalı E. "An affix stripping morphological analyzer for Turkish". International Conference on Artificial Intelligence and Applications, Innsbruck, Austria, 16-18 February 2004.
  21. Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. "The WEKA data mining software: an update". SIGKDD Explorations, 11(1), 10-18, 2009.