基于迁移学习的动态多目标需求优选研究

Customer requirements for software are a cognitive and self-evolution process, and requirements acquisition and optimization iterate and evolve constantly. Therefore, characteristics of requirements evolution are analyzed, self-adaptive recommendation are adopted by transfer learning, and the process of requirements acquisition and optimization is integrated dynamically to self-adaptive the rapidly changing requirements and software development. The specific work is given as follows: 1) Based on software reviews, requirements documents, and bug reports, the requirements is acquired and feature model is constructed. The time sequence of feature models are obtained by analyzing the software versions. 2) Cross-domain transfer classification learning based on graph model is utilized, and the relational matrix of the multi-domain and inter-domain is created. Finally the requirements data is labeled by TrAdaBoost algorithm. 3) An integrated model of requirements acquisition and optimization is established. A dynamic multi-objective optimization algorithm which based on ecological strategy, is implemented to find a Pareto optimal solution sets with meeting both objectives and time constraints. The different expectations of employers and the contradiction between the system and the employers are balanced during multiple periods, and decisions are supported. Experiments will be carry out and analyzed on the benchmark and large random cases. Evaluation indexes and experiments are designed to evaluate model and algorithms effectiveness. The project is of important theoretical significance and application value to requirements engineering.

客户对软件的需求是一个认知和自我进化的过程，需求获取和优选需要不断迭代和演化。为此，有效地分析需求演化特性，通过迁移学习进行自适应地推荐，动态集成需求获取和需求优选可以自适应需求的快速变化和软件的迅速发展。具体工作为：1）基于软件评论、需求文档和缺陷报告等来获取需求建立需求特征模型，分析软件版本信息得到基于时间排序的需求特征序列。2）利用基于图模型的多领域迁移学习分类算法，建立多领域内和领域间关系矩阵，利用TrAdaBoost算法对目标域内需求数据进行标注。3）建立需求获取和优选的集成模型。设计基于生态策略的动态多目标优化算法，寻找既兼顾多个目标，又满足约束条件的时变Pareto最优解集。最终平衡多时间段内雇主间的不同期望，平衡系统和雇主需求之间的矛盾，提供决策支持。对典型示例和大量随机案例进行实证分析，设计评价指数和实验来验证模型和算法的有效性。项目对需求工程有重要的意义和价值。

系统开发过程中需求来源种类多、需求描述不规范、人工软件需求分析效率低。如何挖掘不同软件的需求文本特征，并对软件需求特征进行聚类和分类成为软件工程领域的一大挑战。客户对软件的需求是一个认知和自我进化的过程，需求获取和优选需要不断迭代和演化。本项目完成工作：1）分析不同版本的软件信息，借助自然语言处理等技术，增强基于语义分析的软件需求提取技术，建立软件需求特征模型。面对软件需求文本具有隐含性、数据稀疏、噪声大、新词频繁出现等问题，改进特征提取方式，提出融合自注意力机制、多路金字塔卷积的软件需求聚类算法模型。针对在线点评数据，挖掘得到基于时间排序的需求特征序列，以用户需求为导向完成对产品评论数据挖掘和分析，提出针对文本情感分类任务的集成模型、针对文本情感转换的模型、融合图卷积神经网络的情感分类模型。2）对需求文本进行图建模，设计不同的图神经改进模型，实现集成图神经分类和聚类算法。研究需求演化特性，利用基于图模型的多领域迁移学习分类算法，建立多领域内和领域间关系矩阵。设计迁移学习算法，将领域的源域知识迁移到只有少量标注信息的目标域中，帮助目标域训练，解决传统的监督式学习带来的人工标注成本过高等问题。将相关模型迁移到交通领域建模时空需求，提出多种出行需求预测的模型，有效地提升需求预测性能。3）建立需求获取和优选的集成模型，适应需求的快速变化和软件的迅速发展实现多种推荐模型。设计混合人工化学反应优化和狼群算法、混合改进的花授粉算法与灰狼算法，这些多目标优化算法寻找既兼顾多个目标，又满足约束条件的时变Pareto最优解集，提高算法的可用性，减少计算训练时间。对典型示例和大量随机案例进行实证分析，设计评价指数和实验来验证模型和算法的有效性。项目对需求工程有重要的意义和价值。本项目发表CCF推荐SCI和中文论文26篇，专利授权9项，成功转让2项，新申请专利11项。基于此项目，新申请获得云南省重大专项子项目2项。.