缺陷在軟件系統中很常見，可能會給軟件用戶帶來各種各樣的問題。為了快速預測大型代碼庫中最可能出現的缺陷位置，開發了不同的方法。它們中的大多數都專注于設計與潛在缺陷代碼相關的特性（例如復雜性度量）。然而，這些方法并不能充分捕獲源代碼的語法和不同級別的語義，這是構建準確預測模型的重要能力。本文提出了一種新的預測模型，能夠自動學習表示源代碼的特征，并將其用于缺陷預測。我們的預測系統建立在強大的深度學習、樹形結構的長期短期記憶網絡之上，與源代碼的抽象語法樹表示直接匹配。對兩個數據集（一個來自三星貢獻的開源項目，另一個來自公共承諾庫）的評估表明了我們的方法對于項目內和跨項目預測的有效性。

　　隨著軟件系統在我們社會的各個領域繼續發揮著關鍵作用，這些軟件產生的缺陷對企業和人們的生活產生了重大影響。然而，由于軟件代碼庫在規模和復雜性上的顯著增長，識別軟件代碼中的缺陷變得越來越困難。缺陷預測的重要性和挑戰使其成為軟件工程中一個活躍的研究領域。大量的研究已經開始開發預測模型和工具，幫助軟件工程師和測試人員快速縮小軟件代碼庫中最有可能存在缺陷的部分。早期的缺陷預測有助于優先考慮和優化檢查和測試的工作和成本，特別是在面臨COS時。T和截止壓力。

　　機器學習技術已廣泛應用于建立缺陷預測模型。這些技術從軟件代碼中派生出許多特性（即預測器），并將它們提供給常見的分類器，如Naive Bayes、支持向量機和隨機森林。大量的研究（例如）已經仔細地設計了能夠區分有缺陷代碼和無缺陷代碼的功能，例如代碼大小、代碼復雜性（例如Halstead功能、McAbe、CK功能、情緒功能）、代碼轉換度量（例如更改的代碼行數）、過程度量。然而，這些特性并不能真正反映代碼的語法和語義。此外，軟件度量特性通常不能很好地概括：在某個軟件項目中工作良好的特性在其他項目中可能表現不好。