软件缺陷预测的主要研究内容是通过利用软件开发过程中的历史缺陷检测数据,利用科学的方法进行指导,对软件模块进行建模从而达到预测缺陷的目的。根据软件缺陷预测模型预测的结果,能够指导软件开发人员对测试资源进行合理分配,提高软件开发效率,从而减少软件测试周期和软件开发成本。在实际应用场景中,研究者发现对于软件缺陷预测模型来说,不同的软件缺陷建模算法,例如机器学习算法,在同样的特征指标下性能差距并不十分明显,但是在不同的特征指标下,软件缺陷预测模型性能差异相对来说比较显著。然而,对于软件数据特征收集大部分是通过人工统计,数据特征的统计过程需要耗费大量的人力物力。所以研究人员将研究重心转移到自动化的学习软件模块的数据特征。随着神经网络技术在自然语言领域取得了巨大的突破性进展,联想到软件模块代码中含有丰富的语义和语法信息,所以有研究人员将自然语言处理相关技术应用到了软件缺陷预测领域。从实验结果来说,基于自然语言处理技术的软件缺陷预测模型从性能上来说是优于基于统计特征的缺陷预测模型,证明了神经网络技术能够有效挖掘软件模块中丰富的语义和语法信息。但是在以前的软件缺陷预测研究仍然存在一定的局限性,研究人员挖掘软件系统特征信息时,将软件系统中的软件模块孤立的看待,或者仅仅只是考虑简单软件模块在继承过程中的相关统计指标。但是,从整个软件系统的角度考虑,可以根据软件模块之间的依赖等关系构建一个软件网络,从软件网络的角度去分析挖掘软件模块的数据特征。为了解决软件系统特征挖掘过程中的对于软件系统结构特征提取有限的问题,研究中提出了基于网络表征学习的混合缺陷预测模型。基于卷积神经网络的代码语义挖掘缺陷预测模型不仅能够自动挖掘软件程序模块丰富的语义信息,进行端到端的软件特征提取。在此基础上研究更进一步,对软件系统根据依赖关系转换成的软件网络结构进行分析。首先,将软件程序系统以模块为基本单位生成对应的软件网络;然后,利用网络表征技术自动挖掘软件网络中每个模块隐氏的系统结构特征;最后,综合语义特征与系统结构特征构建一个缺陷预测模型。通过对比试验评估,研究所提出的软件模块系统结构特征能够有效提升软件缺陷模型性能。