在移动App快速发展的同时,也暴露出多种质量问题,例如安全缺陷、功能缺陷。为了保障移动App的质量,缺陷分析和测试等活动已成为开发和质量保证人员关注的焦点。随着自然语言处理和机器学习技术的发展,从用户评论中挖掘有价值的缺陷信息已成为软件工程领域的热门研究。评论中包含大量有价值的用户反馈,可为开发和测试人员可以发现和分析用户反馈的缺陷问题提供参考,并进一步支持测试等质量保证活动。然而评论数据海量,非结构化并且内容多样,如何从大规模的评论中识别缺陷的关键信息,并进一步驱动移动App的缺陷分析活动面临诸多挑战。用户评论是揭示移动App安全缺陷的重要渠道,但已有的主题挖掘模型的结果不足以清晰地描述评论中的关键信息。针对上述问题,本文提出一种基于用户评论的安全缺陷分析方法SBR-Miner,通过生成安全缺陷相关的评论摘要,为开发和测试人员发现、分析安全缺陷提供参考。SBR-Miner采用基于关键词的方法提取安全性相关的评论句子;然后通过对评论句子的依存句法分析,自动抽取评论中描述的安全缺陷和用户观点的内容,形成＜不良行为-方面-观点＞三元组,构成评论摘要;最后利用雷达图将评论摘要可视化。实验结果表明,SBR-Miner能够有效地提取安全性相关的评论句子;在评论摘要生成上,SBR-Miner优于现有工作;用户调查的结果也验证了该方法的有用性。数据驱动的App智能功能具有输出不确定性和概率性,传统的软件测试方法较难支持在不确定输出条件下进行测试,这给智能功能的测试尤其是测试判定带来了挑战。针对该问题,本文提出一种基于用户评论的智能功能缺陷分析方法METUR,通过用户评论与蜕变测试技术的结合,缓解智能功能测试预言缺失的问题,为智能功能缺陷的检测和分析提供支持。METUR利用机器学习算法实现智能功能相关的评论分类,从使用场景类的评论中挖掘测试上下文;然后利用测试上下文引导蜕变关系模式的实例化,构造蜕变关系;生成衍生测试数据,执行蜕变测试。在植物识别功能上的实证研究结果表明了智能功能相关评论分类的有效性;METUR构造的蜕变关系不仅检测出植物识别功能的不一致行为,还能对不同功能在不同测试上下文下的鲁棒性做出评估。