Link analysis algorithm per task di concept location: una validazione empirica

I passi principali dell'approccio CLC sono:
Creazione del corpo. Ogni metodo rappresenta un documento nel corpo. Tutti i commenti e gli identificatori di un metodo sono inclusi in un documento. I commenti all'inizio dei metodi (se presenti) vengono inclusi nel documento corrispondente.
Normalizzazione del corpo. La normalizzazione del corpo viene eseguita rimuovendo token non testuali (operatori, simboli, numeri, ecc.), splittando i termini composti da due o più parole (per es. “first_name” diventa “first” e “name”), eliminando i termini presenti in una lista di parole chiamata stop word, che sono parole inutili allo scopo della concept location; ed eliminando le parole con meno di tre caratteri. Nella lista di stop word sono presenti anche le parole chiave del linguaggio Java. Infine viene applicato lo stemmer Porter, per ridurre le parole alla loro forma base: per esempio le parole “designing” e “designer”, vengono trasformate nella radice comune “design”.
Indicizzazione del corpo. E' utilizzato un motore di text retrieval per indicizzare il corpo. Viene creato un indice numerico associato con ogni documento nel corpo. Successivamente, questo indice è utilizzato per determinare la similarity tra documenti. E' stato utilizzato VSM come motore di text retrieval.
Calcolo delle similarity lessicali tra documenti nel codice sorgente. E' un passo necessario per eseguire il clustering. Viene utilizzato il cosine similarity, che è stato calcolato per tutti i documenti nel corpo.
Estrazione di dipendenze nel software. Il sistema software è rappresentato come un grafo orientato G = (V, E). V è l'insieme dei metodi nel sistema, mentre E è l'insieme di archi (coppie ordinate di vertici di V). Ciascun arco rappresenta una relazione orientata tra due metodi. Si è tenuto un approccio conservativo i questo approccio e si è considerato solo riferimenti diretti tra metodi. Vale a dire (mi, mj) ∈ E, se c'è un riferimento al metodo mj nel corpo del metodo mi. Queste dipendenze sono state identificate utilizzando jRipples.
Clustering. Il grafo G è stato trasformato in un grafo pesato orientato G' = (V, E, ω). In particolare, la similarity lessicale (cosine similarity) tra due metodi mi e mj è utilizzata come peso (cioè ω(mi, mj)) dell'arco (se presente) tra i nodi corrispondenti a questi metodi. G' riassume sia le informazioni strutturali sia le informazioni lessicali di un sistema. Viene applicato al grafo G' l'algoritmo di clustering BorderFlow. L'algoritmo è un algoritmo di clustering su grafi con scopo generale. Può essere utilizzato per il soft clustering (un nodo di un grafo di input può essere in uno o più cluster) e per l'hard clustering (ogni nodo di un grafo di input può essere in un solo cluster). In CLC è stato utilizzato l'hard clustering. […]