融合Bert和图卷积的深度集成学习软件需求分类
随着软件数量和种类的快速增长,有效地挖掘软件需求的文本特征,并对软件功能性需求的文本特征进行分类,成为软件工程领域的一大挑战.软件功能性需求分类为整个软件开发过程提供了可靠的保障,并减小了需求分析阶段潜在的风险和负面影响.但是,软件需求文本的高分散性、高噪声、数据稀疏等特点限制了软件需求分析的有效性.提出双层词汇图卷积网络模型,创新性地对软件需求文本进行图建模,建立软件需求的图神经网络,有效捕获单词的知识边以及单词与文本之间的关系;并提出深度集成学习模型,集成多个深度学习分类模型,对软件需求文本进行分类.在数据集Windows_a和数据集Win-dows_b的实验中,融合Bert和图卷积的深度集成学习模型的准确率分别达到96.73%和95.60%,其明显优于其他文本分类模型,充分证明融合Bert和图卷积的深度集成学习模型能有效判别软件需求文本的功能特性,提高软件需求文本分类的准确性.
软件需求、文本分类、BERT、GCN、文本特征、集成学习
49
TP181(自动化基础理论)
国家自然科学基金;云南省科技厅重大专项;云南省科技厅重大专项;云南省软件工程重点实验室开放基金项目
2022-06-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
150-158