29、自动化领域模型提取的关键发现

自动化领域模型提取的关键发现

1. 自动化提取的关系的相关性问题

在自然语言处理（NLP）领域，从需求文档中自动提取领域模型是一个复杂而重要的任务。尽管自动化技术已经在多个方面取得了显著进展，但在实际应用中，自动提取的关系中有相当一部分与领域模型无关。尽管这些关系大多数是有意义的，但它们并不一定适合包含在领域模型中。这一现象揭示了提高相关性是一个重要的挑战。

为了更好地理解这一问题，让我们先看看为什么会出现这种情况。在实际需求文档中，自然语言的灵活性和多样性使得自动提取的关系可能涵盖广泛的内容，而不仅仅是与领域模型直接相关的信息。例如，某些关系可能是显而易见的常识，或者是过于详细的具体实现细节，这些都不适合包含在高层次的领域模型中。

示例

考虑以下需求陈述：
- “模拟器应支持错误消息的生成和存储到数据库中。”

从这句话中，自动化工具可能会提取出以下关系：
- 模拟器 -> 支持生成错误消息
- 模拟器 -> 支持存储错误消息到数据库

虽然这些关系是有意义的，但它们可能被认为是过于详细的实现细节，不适合直接包含在领域模型中。

2. 相关性的影响因素

相关性最终取决于上下文和工作假设。具体来说，以下因素会影响关系的相关性：

• 抽象层次 ：领域模型通常需要在较高的抽象层次上进行描述，而不是深入到具体的实现细节。因此，关系的抽象层次决定了它是否适合包含在领域模型中。
• 系统范围 ：某些关系可能涉及到系统外部的实