.png){kind=icon}
返回
Requirement Classification using Transfer Learning Models
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-026-11242-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
需求工程（RE）是软件开发中识别软件需求的初始且关键阶段。这些需求被分为功能性需求（FRs）或非功能性需求（NFRs）。对需求进行分类是确保高质量软件开发成功的关键任务。自动分类可以减少模糊性并降低开发成本。近期研究应用了机器学习（ML）和深度学习（DL）技术来自动化需求分类。然而，这些方法通常缺乏泛化能力。此外，由于需求工程中标记数据的有限可用性，从零开始训练深度学习模型需要大量时间。迁移学习通过提供可适应领域特定数据的预训练模型，提供了解决方案。本研究评估了预训练Transformer模型（具体为BERT、RoBERTa和DeBERTa）在二元分类和多类NFR分类中的性能，使用了一个新收集的数据集。该数据集包含4908个需求，其中2595个为FRs，2313个为NFRs。对于二元需求分类，BERT结合LSTM实现了86.93%的F1分数，其次是DeBERTa的86.85%。对于多类NFR分类，BERT结合LSTM获得了从95.00%到77.93%的F1分数，加权平均F1分数为89.45%。本研究有助于理解Transformer模型在FR和NFR分类中的应用，从而为改进软件开发和质量奠定基础。研究结果还表明，在应用于未见过的软件项目时，取得了有前景的结果并获得了满意的效果。此外，可解释人工智能的使用将支持需求工程从业者，因为它提供了模型决策的透明度，使从业者能够理解为何做出特定分类。这提高了模型在项目中的可信度。
Keyword:
Requirement engineering
Requirement classification
Non-functional requirements
BERT
RoBERTa
DeBERTa
LSTMs
期刊
A
IF:
2.9
论文数:
1.1K
被引数:
0
机构
引用论文
.png){kind=icon}
Advances in automated support for requirements engineering: a systematic literature review自动化需求工程支持进展：一项系统文献综述
OAAI
OAAI分享收藏分享收藏AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations良好人工智能社会的AI4People-An伦理框架: 机遇、风险、原则和建议
OAAI
OAAI分享收藏分享收藏
查看更多内容