融合反事实与多目标优化的可解释关联规则缺陷预测模型

来源：计算机工程与应用杂志2025年第22期北京时间：

作者：于巧, 蒋佳漩, 任思宇, 祝义

单位：江苏师范大学 计算机科学与技术学院，江苏 徐州 221116

摘要：软件缺陷预测是保证软件质量的关键。为了提高软件缺陷预测的性能，研究人员已经设计出多种缺陷预测模型，但大多数模型在提供预测结果时透明度较低，使得开发者难以理解模型内部的逻辑和决策过程，从而导致模型的不可解释性问题。该问题不仅限制了模型的可信度，也阻碍了其在实际发展中的应用。针对该问题，利用多个关联规则组合成一个可解释的多目标优化模型，被称为MoCFR。该模型采用反事实解释方法进行特征选择，通过反事实样本的特征变化率来确定每个特征的重要性分数。在此基础上，该模型运用多目标优化技术构建关联规则分类器，同时优化分类误差、规则平均数量和置信度三个关键指标。在PROMISE数据集上的实验结果表明，MoCFR在分类误差方面优于现有的基于规则的分类模型，与同类多目标优化模型相比，显著减少了规则数量。

关键词：软件缺陷预测,关联规则挖掘,多目标优化,特征选择