全球電子化的普及，提高了各行各業對軟體的依賴度，客製化軟體的需求亦不斷增加，面對來自不同使用者提出的各種異動需求，專案管理者需透過管理工具-議題追蹤系統(Issue Tracking System，ITS)來確保每個事項都能準確地被追蹤與執行。然而，ITS的項目包羅萬象，要使用人工方式來過濾或分類這些議題，是一項繁瑣、耗時且不具效益的工作；另一方面，每一份議題報告都包含?多描述性的自然語言，在ITS有限的查詢條件中，查找相似的問題不是件容易的事，因而造成一個問題多人提報的情形，不但增加開發人員的工作負擔，也同時提高了整個專案的成本。 過去有不少研究提出各種自動化方法來對議題報告進行分類或分群，不過這些研究大都著重於將議題依嚴重性分類或找出議題間的關聯性。事實上，負責人員的回覆紀錄中通常具有議題的處理歷程及解決方式，若能從中擷取重要資訊，即可複製歷史經驗縮短負責人員的處理時間，而在文字摘要技術的應用上，卻鮮少有針對議題報告之問題筆記進行摘要的相關研究。因此，除了準確地分類議題，若能進一步使用自動摘要技術在問題筆記中萃取出可能的解決方案推薦給議題負責人員，將更有助益。 本研究將以S公司之ITS為例，建置一套議題解決方式推薦模型，使用分類方法找出新進議題所屬之?能類別、分群方法群聚相同?能類別內的相似議題，最後再透過自動摘要技術擷取出相似議題的問題筆記來推薦給負責人員。由實驗結果可以得知，使用本研究之推薦模型能有效幫助議題被指派者檢視相似議題之處理方法，進而提昇議題處理效率。
Problem Solving Recommendation Model based on Machine Learning for an Issue Tracking System
欣怡, 鄒. (Author). 2019
學生論文: Doctoral Thesis