基于AI技术实现架构坏味道检测与重构建议是当前业界比较流行的做法，但此做法往往存在一个通病，即训练数据集的质量问题，如何构建大规模、高质量的训练数据成为制约算法有效性的关键挑战。针对这项挑战，我们以Featureenvy架构坏味道为例，利用一系列启发式规则和一个基于决策树的分类器，实现了一种基于真实数据的高质量重构数据集构造方法，并利用此方法构建的数据集将Featureenvy架构坏味道的检测与重构准确率提升到业界SOTA水平。此工作由北京理工大学刘辉教授团队和华为云技术创新Lab合作完成，相应产出已落地至华为公司内部研发工具，研究成果已被软件工程领域顶会ESEC/FSE2023（CCFA类）...