陈磊^1,3,王丹丹¹,王青^1,2,3,石琳¹

¹（中国科学院软件研究所互联网软件技术实验室 北京 100190);²（计算机科学国家重点实验室(中国科学院软件研究所) 北京 100190);³（中国科学院大学 北京 100049) (chenlei2016@iscas.ac.cn)

出版日期: 2021-04-01


基金资助:国家重点研发计划项目(2018YFB1403400)；国家自然科学基金项目(61602450，61432001，61802374)

Enhancing Requirements Traceability Recovery via a Graph Mining-Based Expansion Learning

Chen Lei^1,3, Wang Dandan¹, Wang Qing^1,2,3, Shi Lin¹

¹（Laboratory for Internet Software Technologies,Institute of Software,Chinese Academy of Sciences,Beijing 100190);²（State Key Laboratory of Computer Science(Institute of Software,Chinese Academy of Sciences),Beijing 100190);³（University of Chinese Academy of Sciences,Beijing 100049)

Online: 2021-04-01


Supported by:This work was supported by the National Key Research and Development Program of China (2018YFB1403400) and the National Natural Science Foundation of China (61602450, 61432001, 61802374).

摘要/Abstract

摘要： 在软件开发全生命周期中，需求跟踪在管理需求及其相关制品方面扮演着重要的角色.由于手工跟踪费时且易出错，一些基于信息检索(information retrieval, IR)和基于机器学习(machine learning, ML)的解决方案被提出.其中，不需要大量标签数据的无监督的机器学习方法越来越受到关注.在已提出的解决方案中，大多数都是针对词法和语义信息进行建模，而忽略了文本制品间的词共现分布和词序信息.因此，提出利用基于图挖掘扩展学习的增强需求跟踪链接恢复方法GeT2Trace.其核心思想是利用图网络中的词共现信息和词序信息来增强制品中隐含的语义信息，进而更全面、更准确地对制品中所包含的语义进行表示.在5个公共数据集上进行了评估，结果表明提出的方法优于已有基线.使用图形信息扩展需求为无监督的需求跟踪解决方案提供了新的见解，改进的跟踪链接性能验证了GeT2Trace的有用性和有效性.

参考文献

相关文章 3

[1]	张红斌,姬东鸿,尹兰,任亚峰,牛正雨. 基于关键词精化和句法树的商品图像句子标注[J]. 计算机研究与发展, 2016, 53(11): 2542-2555.
[2]	王金水,翁伟,彭鑫. 一种基于句法分析的跟踪关系恢复方法[J]. 计算机研究与发展, 2015, 52(3): 729-737.
[3]	谢柏林 余顺争. 基于应用层协议关键词序列的应用层异常检测方法[J]. , 2011, 48(1): 159-168.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4401