介绍
在论文 Emerging App Issue Identification from User Feedback: Experience on WeChat 中，作者构建了一个被称为DIVER的新工具。这个工具能够更加高效从用户的评论中发现出现的问题并提供反馈。
概述
DIVER这个工具在处理过程中包含以下的五个步骤：
- preprocessing user reviews
- extracting word collocations, (3) identifying emerging word collocations
- identifying emerging word collocations
- grouping emerging collocations with similar topics and ranking representative feedback for each topic
- issue visualization
具体实现步骤
A. Review Preprocessing
作者主要收集了微信的用户评论。在这些评论中，语言大都为中文和英文。对于中文，作者首先对评论进行了分词操作从而获得一个个句子。然后，作者对这些句子进行形式化操作通过移除标点符号、停止词并过滤一些无信息的词语。对于英文，除了没有进行分词外，其余操作大体一致。
B. Word Collocation Extraction
在这一步中，作者使用了ECLAT(Equivalence Class Transformation)一个深度优先的搜索算法来进行模式发掘。通过使用ECLAT算法，我们就能获得所有的候选短语，这些候选短语都有着较高的出现频率。
C. Emerging Word Collocation Detection
在上一步中，算法搜索到许多word collocations，但是为了选择恰当的word collocation，从而发现用户反馈的问题。作者考虑了三个维度：word collocation、version和time。
其中，蓝色柱表示当前word collocation所占的比重。其中，version window考虑了几个版本之间相同word collocation所占比重的变化情况。当一个word collocation的所占的比重在不同版本之间发现重大的变化，那么可以猜测这个word collocation下出现了问题，所以需要浮现这个word collocation。当然除了考虑不同版本之间的关系，time window考虑了同一版本下，不同时间段下的相同word colocation的的变化情况。当发生巨大波动时，就可以考虑应用出现了问题。
D. Issue Summarization
在这一步中，为了准确的描述新出现的问题，作者首先将表达同一主题的词进行聚类，然后对每个主题中的评论进行排序，以便于开发人员观察。
其中，使用的聚类算法如下图所示。
Emerging Issue Report
在DIVER的最后一步中，作者采用了词图的方式来可视化问题和用户反馈，具体的效果如下图。其中，越大的字体表示更加频繁的出现，红色的字体表示了可能出现的问题。
