فایل ورد کامل بررسی رابطه بین شباهت مدل موضوعی و نگهداری نرم افزار

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بررسی رابطه بین شباهت مدل موضوعی و نگهداری نرم افزار،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۶ صفحه

نتیجه گیری
در این مقاله به بررسی فرضیه ی مدل موضوع نهان مانند LDA که ممکن است قادر به پیش بینی قطعات کدی باشد که باید با هم و مستقیما از منبع کد بدون نیاز به ثبت نگهداری های مشارکتی قبلی تغییر یابند. ما این فرضیه را با استفاده از تاریخچه ی ویرایش چند پروژه با منبع باز،آزمایش می کنیم و مشاهده می کنیم که LDA می تواند معمولا توابع از دست رفته در یک مجموعه ی نگهداری شده را شناسایی کنیم.وقتی مجموعه ای از چند تابع به عنوان پایه استفاده می شود،پیشنهاد ها بهتر از آنهایی که برای توابع در تحقیق قبلی مشاهده شدند، به نظر می رسند.

عنوان انگلیسی:Examining the Relationship between Topic Model Similarity and Software Maintenance~~en~~

VIII. CONCLUSION

In this paper we have explored the hypothesis that latent topic models, such as LDA, may be able to predict code fragments that should be changed together directly from the source code, without the need for a record of previous comaintenance. We have tested this hypothesis using the actual revision histories of several open source projects as oracles for sets of co-maintained functions, and observed that LDA can often identify missing functions in a co-maintained set as part of the top 10 to 25 suggested related functions. When a set of several functions is used as the basis, the suggestions appear better than those we have observed for single functions in previous work.

$$en!!