基于加权PageRank特征选择的软件缺陷预测集成分类方法
来源：计算机集成制造系统杂志2026年第3期北京时间：
作者：王炜清, 范洪旗, 严远亭, 张以文
单位：1.安徽大学计算智能与信号处理教育部重点实验室2.安徽大学计算机科学与技术学院
摘要：基于机器学习方法的软件缺陷预测(SDP)是软件工程中的一项关键技术。随着软件规模的扩大,利用不同的软件度量指标从源代码中提取的度量元迅速增加,软件缺陷数据维数呈现出高维趋势,给训练高效的SDP模型带来了巨大挑战。鉴于此,提出了一种基于加权PageRank的双评估特征选择方法(DEFS)。DEFS同时考虑特征之间的组合效应和全局关系,将所有特征建模为完整的加权图。然后利用加权PageRank算法计算特征的重要性以实现优质特征的选择。最后为了融合多种特征选择算法的优势,将DEFS嵌入到集成框架中实现基于加权PageRank的双评估特征选择集成方法(E-DEFS),进一步提高预测性能。在6个软件缺陷数据库的30个数据集上的实验结果表明,DEFS和E-DEFS相较于经典的特征选择方法取得了更优的性能表现。
关键词：软件缺陷预测,特征选择,集成学习,完全加权图,PageRank算法,机器学习
基金资助：国家自然科学基金资助项目(62376002,62376001)。
