挖矿软件见解:揭示低等级软件应用程序中经常出现的问题

科学领域:

• 软件工程 软件工程 软件工程
• 人与计算机的交互
• 机器学习 机器学习

背景情况:

• 应用商店对于软件发行至关重要,但研究往往忽略了低评级应用程序的反.
• 终端用户的反对于软件的进化和质量改进至关重要,但在不太受欢迎的应用程序中未得到充分利用.
• 现有的研究主要集中在评分高的应用程序上,忽视了评分低的应用程序的宝贵见解.

研究的目的:

• 分析低评级应用程序的最终用户反,以确定软件演变的关键因素.
• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型来分类用户反问题.
• 提高ML / DL模型的可解释性,使用SHAP方法获得可操作的见解.

主要方法:

• 在亚马逊App Store的14个类别中收集和分析了64个低评级应用程序的最终用户评论.
• 开发了一个有基础的理论,将反分类为UI/UX,功能,兼容性,性能,支持和安全性.
• 应用自然语言处理 (NLP) 和特征工程用于训练和优化ML/DL分类器 (例如MLP,RF,BiGRU,CNN,LSTM).

主要成果:

• 识别了软件改进的关键领域,包括基于用户反的UI/UX,功能,性能和客户支持.
• 通过使用各种ML/DL模型,实现了对用户反问题的高分类准确性,MLP和RF达到94%.
• SHAP方法成功地确定了影响特定用户报告问题的分类的关键特征.

结论:

• 来自低评级应用程序的最终用户反为提高软件质量和用户体验提供了必要的见解.
• ML和DL模型显示了自动分类用户反的巨大潜力,帮助开发人员优先考虑改进.
• 这项研究为开发人员提供了一种数据驱动的方法,以解决低评级应用程序的缺陷,并改善整体软件.