基于深度学习的需求自动抽取研究

需求分析是需求工程研究的基础,需求条目在需求工程中起到了至关重要的作用,由于目前市面上比较缺乏有关于自动抽取需求的工具以及研究,研究首先通过多种方法收集需求语料,再基于收集到的语料构建一个需求抽取数据库,提出一种基于深度学习的RoBERTa⁃wwm⁃BiLSTM算法开展需求自动抽取的研究。经过对比验证得出RoBERTa⁃wwm⁃BiLSTM算法需求抽取效果与其他算法相比在各方面均有较大提升,准确率、召回率和F1值分别为94.74%、93.33%和93.65%,结果证明了该方法在需求抽取任务中的有效性。

面向主题的信息抽取需求描述与分析

在构建面向主题的信息抽取系统时,抽取需求是明确抽取任务的前提。针对自然语言描述的抽取需求导致计算资源浪费与抽取效率降低的问题,提出面向主题的信息抽取需求的形式化定义,并研究抽取需求之间的关系。采用精简需求集拆分的方法构造等价精简需求集,消除多抽取需求之间存在的冗余。实验结果证明,等价精简需求集能够提高多需求抽取任务的运行效率。

人机协作的用户故事场景提取与迭代演进

敏捷软件开发中常用用户故事表达需求:用户故事讲述了具体的用户角色希望软件完成的功能.系统新版本的需求常常来自多个用户故事的整合.随着版本的迭代,不断会有新的用户故事出现.用户故事的迭代式管理和整合是敏捷开发成功的关键.为帮助开发者掌握项目的用户故事需求,提出人机协作的用户故事理解、整合和管理方法,支持需求的迭代更新.具体而言,提出用户故事元模型和带场景细粒度描述的用户故事表示,从故事描述、功能特征属性以及场景 3 个维度表达用户故事.便于开发者理解用户故事所表达的功能需求.提出基于元模型的用户故事理解,以及用户故事表达元素的自动提取方法.提出人机协同式用户故事整合方法,使用功能场景图辅助开发者确定用户故事间的关联关系.提出基于功能场景图的用户故事迭代更新方法.案例研究展示了方法的可行性.