随着开源软件社区和敏捷开发模式的不断发展,越来越多的软件开发团队选择将项目托管到开源社区中,使得来自行业各界的开发者都能参与到开源软件项目的开发中。在开源软件社区的发展潮流中,出现了一大批优秀的开源软件开发社区。例如业界中最大的开源软件社区GitHub。像GitHub这种大型开源社区在经过长期发展后,社区上沉淀了大量的软件仓库,其中包含着开发者在整个软件协作开发的过程中的经验和技巧。在众多的软件数据中,有一类很重要的数据:软件缺陷记录。软件缺陷记录通常记录了软件开发者在使用软件的过程中遇到的一些故障,或者是期待软件在新的版本中具有的功能等等。当软件的使用者在向软件所有者提出一条软件缺陷记录后,软件所有者通常都会组织适当的开发资源来解决软件缺陷记录中的软件故障。文本对缺陷数据的研究主要从两个方面来研究。1.研究如何提升缺陷数据的检索效率。开源社区中虽然存储着海量的缺陷数据,但是这些数据信息分散广泛,每条缺陷记录的内容复杂,有的甚至包括代码崩溃堆栈等阅读体验不友好的内容,因为缺陷记录的这些特点,导致开发人员无法快速的理解缺陷记录所记录的具体缺陷内容,损害阅读和检索效率。本文主要通过给缺陷记录生成标签的形式,来提高对缺陷数据的检索和认知效率。通过一系列的实证实验发现,本文所提出的多元化标签生成方法,能帮助提高缺陷数据的检索效率和检索效果。2.研究如何分析缺陷修复代码对系统的影响程度。本文主要通过对软件演化仓库中的代码演变历史进行分析,从中学习软件演化过程中缺陷修复活动的规律,来评估缺陷修复代码对整个系统的影响,并将这种影响可视化,提供简单易懂的可视化图表。通过一系列的探索实验发现,本文所提出的代码改动分析模型,能有效揭示开源软件项目中的一些开发规律。