基于神经网络集成学习和语义增强特征的需求跟踪方法

现有的基于机器学习的需求跟踪方法存在稳定性差的问题。为了缓解上述问题,提出了一种基于神经网络集成学习和语义增强特征的需求跟踪方法(Ensemble Learning Trace Approach,EMTrace)。该方法将需求跟踪问题转化为分类问题,集成了多个机器学习分类器进行预测,并对这些预测结果进行加权生成跟踪链接。为了自动获取各个基模型的权重,构建了一种基于神经网络的元学习器并利用每个基模型的预测结果进行训练。为了更准确地表达制品之间的跟踪链接,EMTrace方法使用多个词嵌入和句子嵌入模型提取软件制品的语义信息来增强跟踪链接特征的语义表示。实验结果表明,EMTrace方法能够有效提高需求跟踪的稳定性和性能,相比最优的基线方法,EMTrace方法在F1上提升了0.162。