用户异构需求间的半自动化映射及需求缺失识别方法研究

Nowadays，during the common and variability analysis process of a domain, the mapping between multi-users' heterogeneous requirement documents is still done totally by humans, and a lot of manpower is consumed, the efficiency is low and error rate is high. Besides, it is difficult to identify the missing infomation in users' requirement documents by an analyst. In response to the above problems, this project explores a method of semi-automatic mapping between the multi-users' heterogeneous requirements based on the similarity coginitive theory. In this method, the documents are firstly partitioned into coarse granularity units, and then the semantic structure of the sentences is extracted based on the FrameNet method and machine learning approaches,and the similarity of sentences is calculated based on the semantic structure. The event flow of use cases is analyzed and the strategy of decomposition, replacement and abstraction of use cases are adopted to solve the heterogeneity problem between use cases, and the similarity between use cases is computed based on the structure of use cases. Then, the mapping between relevant elements of different users' requirements is established based on the similarity. Moreover, the probability relations between requirements are statistically calculated. Then, a semi-automatic method for detecting incomplete information in users'requirement is put forward based on analogical inference, via integration of knowledge from multi-sources and human-machine interaction, and then a requirement driven model generation and evolution mechanism is developed. The method can be used to build aided tools in the domain common and variability analysis process of SaaS or Software Product Line engineering.

在共性及可变性分析过程中，由人工对来自多个用户的异构需求文档进行分析、建立映射，不但耗费大量人力，效率低、出错率高，而且难以识别用户需求信息中的缺失。 为此，本研究探索一个基于相似认知理论的异构需求间的半自动映射方法；首先对需求文档依据文档格式进行粗粒度分析，将框架网络方法与机器学习方法相结合对句子进行语义信息抽取，并依据语义结构进行句子相似度计算；然后通过用例的事件流分析，以及用例结构的分解、替换、抽象等方法，处理用例异构问题；基于用例结构计算用例间的相似性，依据相似性建立需求对应元素之间的映射。 进一步，本研究将从多个用户的需求文档中挖掘需求间的概率依赖关系，提出一个基于类比推理、融合多源知识、基于人机交互策略的用户需求信息缺失半自动化识别方法，并形成需求驱动的领域模型生成与进化机制。这个方法可为软件即服务平台以及软件产品线工程开发中的领域建模提供有效支撑。

软件产品线旨在开发可重用领域资产，来缩短为用户定制个性化产品的时间，为此需分析领域中不同用户的需求，构建领域共性及可变性模型。由于自然语言形式的用户需求存在异构性、模糊性及不完整性，对其进行自动分析和映射存在相当大的挑战，目前研究还明显不足。当前仍依靠人工对需求文档进行分析、建立映射，这不但耗费大量人力，效率低、出错率高，而且难以识别需求信息的缺失。为解决此问题，本课题提出了一个包含用户关系维护、异构需求语义映射、领域本体建模、需求缺失探测、领域模型生成、人机交互等模块的领域建模框架。重点探索了异构需求的语义识别及半自动映射方法，基于知识建模、机器学习及框架语义学理论，提出了针对软件功能需求的语义识别自动化方法。该方法在限定领域定义语义框架集合，每个语义框架对应领域中一种清晰定义的操作语义，包含唤醒词及相关语义角色。基于语义框架的定义，我们通过人工标注需求句子，形成了标注语料库。在此基础上，采用条件随机场、最大熵以及BI-LSTM-CRF等机器学习方法，结合NLP、领域本体模型与词义辨识等，进行了需求语义的自动识别实验。领域内以及跨领域实验表明，在足够的标注数据基础上，基于框架语义学、领域知识与机器学习进行软件功能需求的自动识别，可取得较好效果。课题还研究了从用户评论中抽取领域需求的方法，提出了基于半监督方法的非功能需求分类方法，以及基于度量的安全类需求探测方法。在用户需求缺失方面，提出了一个基于规则的方法。该方法首先从领域需求用例中抽取共性需求，依据子流程与可选流程之间的依赖关系建立启发式规则，形成领域需求依赖的知识库，然后运用知识库进行用户需求缺失的发现。课题还研究了基于视点的领域需求建模及分布式环境下新需求识别等问题，课题所提出的框架、理论与方法对于改善领域分析的效率和质量具有重要价值。