8、基于机器学习的稳健需求分析

基于机器学习的稳健需求分析

1. 实验评估

在需求分析系统中实现了机器学习技术，采用图1所示的架构，该自适应系统应用于海军作战系统的需求分析，重点是软件系统，即作战管理系统（CMS）。本部分对系统功能进行实证评估，如需求识别（RI）和信息提取（IE）在CMS需求分析中的应用。

实验采用的数据集包含4727个带注释的需求，涉及EAU、FREMM和NUM三种不同场景。每个需求根据五种需求类型之一进行标注，具体如下表所示：
| 缩写 | 类型 | 数量 |
| — | — | — |
| NFC | 非功能需求 | 74 |
| DCC | 设计和构建约束 | 288 |
| OPR | 操作员需求 | 2587 |
| PRF | 性能需求 | 249 |
| FNC | 功能需求 | 1529 |
| 总计 | | 4727 |

需求识别系统经过训练，能够识别和表征需求。该模块应用支持向量机（SVM）分类，将每个需求与其合适的特定类别相关联，反映为相应的类型。不同的可观察文本属性模型用于研究不同的语言信息，并为学习算法确定最具信息性的表示：
- 词袋（BoW）模型 ：主要考虑词汇信息，将需求映射为单词集合，忽略单词顺序，即句法信息。
- N - 元词（N - Words）模型 ：通过将短单词序列映射为n - 元词，提供了一种初步的语法信息。
- 词袋和词性N - 元（N - POS）模型 ：引入语法信息，将词性附加到n - 元上，进一步概括文本需求中的单词序列。