La teoría de redes complejas ha sido introducida con éxito en el campo de la ingeniería de software. Muchos trabajos en la literatura han construido redes complejas en software, generalmente llamadas redes de software, para representar la estructura del software. Tales redes de software y sus algoritmos de gráficos relacionados han demostrado ser efectivos en predecir errores de software. Sin embargo, las redes de software utilizadas eran no ponderadas y no dirigidas, ignorando la fuerza y la dirección de los acoplamientos. Peor aún, ignoraron muchos tipos importantes de acoplamientos entre clases, como, por ejemplo, y. Todo esto afecta en gran medida la precisión de la red de software al representar el detalle topológico de los proyectos de software y, en última instancia, afecta las métricas derivadas de ella. En este trabajo, se propone un enfoque mejorado de predicción de errores consciente del esfuerzo llamado CoreBug. En primer lugar, CoreBug utiliza una red de dependencia de clase dirigida ponderada (WDCDN) para describir con precisión las clases y sus acoplamientos, incluidos nueve tipos de acoplamiento y sus diferentes fuerzas y direcciones de acoplamiento. En segundo lugar, se introduce una descomposición de -core generalizada para calcular el de cada clase en el WDCDN. En tercer lugar, CoreBug combina el de cada clase con su, como lo devuelve la regresión logística, para cuantificar el riesgo de que una clase dada tenga errores. Los resultados empíricos en dieciocho proyectos de Java muestran que CoreBug es superior a los enfoques más avanzados según la clasificación promedio de la prueba de Friedman.