Deep learning for non-functional requirements: a Convolutional Neural Network approach

Фаза разработки требований (ER) играет решающую роль в разработке программного обеспечения, поскольку любые недостатки на этом этапе могут привести к провалу проекта. Аналитики полагаются на спецификацию требований (RS) для определения полного списка требований к качеству. Процесс классификации требований в рамках RS включает отнесение каждого требования к соответствующему классу, что ставит перед аналитиками задачу точной классификации. Данное исследование направлено на улучшение качества классификации нефункциональных требований (NFR) на основе применения сверточной нейронной сети (CNN). В исследовании также подчеркивается важность методов предварительной обработки, реализации стратегий выборки и включения предварительно обученных векторных представлений слов, таких как Fasttext, Glove и Word2vec. Оценка предлагаемого подхода выполняется с использованием таких метрик, как Recall, Precision и F1, что приводит к среднему улучшению производительности до 30% по сравнению с другими подходами. Кроме того, модель оценивается в отношении использования предварительно обученных векторных представлений слов с помощью анализа ANOVA, предоставляя ценную информацию о ее эффективности. Это исследование направлено на то, чтобы продемонстрировать полезность CNN и предварительно обученных векторных представлений слов в классификации NFR, предлагая ценный вклад в области инженерии требований и улучшая общий процесс разработки программного обеспечения.