TY - THES A1 - Kruse, Carsten T1 - Vergleichende Evaluation von Topic-Modellen für die Analyse von Softwareinzidenztickets N2 - Durch die stetige Digitalisierung des Alltags und der Unternehmen, entstehen stetig mehr Datenmengen. Zeitgleich wird Machine Learning (ML) immer zugänglicher, aber durch die enormen Datenmengen auch immer notwendiger. Für Unternehmen sind ML-basierte Hilfssysteme immer attraktiver geworden um die Effizienz der Mitarbeiter zu erhöhen und die Kosten zu reduzieren. Ein möglicher Anwendungspunkt ist das Vorfiltern von Softwareinzidenztickets bei der Softwareentwicklung. Ein automatisiertes System, welches die eingehenden Softwareinzidenztickets nach Themengebieten sortiert und anschließend an die entsprechenden Verantwortlichen weiterleitet, erspart den Entwicklern das Verteilen per Hand und somit Zeit. Durch diese Zeiteinsparung können sich die Entwickler mehr auf das eigentliche Entwickeln der Software und das Lösen der auftretenden Probleme konzentrieren. In dieser Arbeit werden mehrere sogenannte Topic-Modelle diskutiert und evaluiert, da sie in der Lage sind Dokumente in verschiedene Unterkategorien, topics, zu unterteilen. Aus den diskutierten Topic-Modelltypen werden drei Modelltypen mit Hilfe von intrinsischen Metriken, wie dem UMass Kohärenz Maß, und durch das Feedback der Ticketdomänenexperten evaluiert und miteinander verglichen. Das Feedback der Domänenexperten wird durch ein auf der Likert-Skala basierenden standardisierten Fragebogen erhoben. In dieser Arbeit konnte gezeigt werden, dass sowohl klassische Topic-Modelle als auch speziell für kurze Texte entwickelte Topic-Modelle in der Lage sind mit einer hinreichenden Genauigkeit die Softwareinzidenztickets zu unterteilen und somit Zeit und Kosten einzusparen. Y1 - 2022 UR - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:573-34783 CY - Ingolstadt ER -