軟件工程關聯(lián)數(shù)據(jù)的自動構建

摘 要 本文主要基于語義網(wǎng)的引入，對多源異構數(shù)據(jù)進行語義關聯(lián)，探討本體構建、關聯(lián)抽取、數(shù)據(jù)發(fā)現(xiàn)的方法，以此實現(xiàn)軟件工程關聯(lián)數(shù)據(jù)的自動構建。

【關鍵詞】軟件工程本體 關聯(lián)數(shù)據(jù) 本體構建

軟件工程數(shù)據(jù)對軟件工程的開發(fā)至關重要，但軟件工程數(shù)據(jù)具有多樣性，在群體軟件開發(fā)過程中，為知曉信息、挖掘數(shù)據(jù)，需要對軟件工程關聯(lián)數(shù)據(jù)進行構建。本文基于本體的自動構建方法，對軟件工程關聯(lián)數(shù)據(jù)的自動構建進行探討，旨在為語義的檢索、數(shù)據(jù)的挖掘提供依據(jù)。

1 相關概念

1.1 關聯(lián)數(shù)據(jù)

關聯(lián)數(shù)據(jù)主要以網(wǎng)絡本體語言（OWL）、資源描述框架（RDF）對無序數(shù)據(jù)、大規(guī)模異構進行構建，使其具有語義化和結構化，從而方面計算機進行理解。近年來，軟件工程領域中關聯(lián)數(shù)據(jù)的應用越來越廣泛，使復雜軟件工程的數(shù)據(jù)開發(fā)更為簡便。在軟件工程的開發(fā)中，一個團隊容易對另一個團隊的項目開發(fā)構建產(chǎn)生依賴，與此同時，團隊之間的協(xié)作是確保相關項目順利完成的重要基礎。微軟建立的Codebook平臺可以借助連接圖的建立，連接軟件元件及相關團隊信息。Iqbal在Kiefer等研究的基礎上，通過資源標識符（URI）的統(tǒng)一，從源代碼、版本控制系統(tǒng)中對數(shù)據(jù)進行抽取，以PDF文件格式對關聯(lián)數(shù)據(jù)進行構建，利用SPARQL引擎可以完成查詢操作。因此，引入關聯(lián)數(shù)據(jù)，可以方便處理軟件工程的復雜數(shù)據(jù)。但國內(nèi)現(xiàn)有研究僅局限于缺陷跟蹤、源代碼等內(nèi)容，并未涉及文檔、郵件及開發(fā)人員信息等數(shù)據(jù)。

1.2 數(shù)據(jù)的抽取

目前，國內(nèi)研究主要是針對關系型數(shù)據(jù)庫-本體概念和關聯(lián)數(shù)據(jù)的映射。一般都是基于關系型數(shù)據(jù)庫，對本體概念和關聯(lián)數(shù)據(jù)進行構建。此類方法的自動化程度較高，但容易抽取出冗余的關聯(lián)數(shù)據(jù)。本研究主要采用定制映射的方式，在關系型數(shù)據(jù)庫中對軟件工程關聯(lián)數(shù)據(jù)進行抽取。

1.3 數(shù)據(jù)的發(fā)現(xiàn)

數(shù)據(jù)源信息具有多樣性，現(xiàn)有研究主要通過獲取已有關聯(lián)數(shù)據(jù)的特征，針對特定關聯(lián)，發(fā)現(xiàn)更多軟件工程的數(shù)據(jù)關聯(lián)。ReLink利用文本相似度、人員身份匹配、時間間隔發(fā)現(xiàn)軟件變更和缺陷之間的關聯(lián)；也有開發(fā)者借助追蹤鏈圖以文本和結構分析的方式發(fā)現(xiàn)文檔與源代碼的關聯(lián)。由于信息語義分析的不足，借助信息檢索技術發(fā)現(xiàn)關聯(lián)數(shù)據(jù)依然會存在漏洞。本文基于信息檢索技術（IR）和語言處理技術（NLP），通過文本和結構的分析，來發(fā)現(xiàn)關聯(lián)數(shù)據(jù)。

2 本體概念的構建

2.1 構建初始本體概念

基于規(guī)則的映射方法，根據(jù)關系型數(shù)據(jù)庫元數(shù)據(jù)對初始本體概念進行構建，構建步驟分為兩步：

（1）在關系型數(shù)據(jù)庫中抽取元數(shù)據(jù)信息；

（2）利用關系映射規(guī)則對新概念及概念屬性、層次、關系等進行創(chuàng)建。

2.2 本體融合

融合不同數(shù)據(jù)源中的初始本體概念，識別出相似的初始本體概念，對其進行合并，統(tǒng)一軟件工程領域本體。如在開發(fā)軟件工程的過程中，不同團隊的缺陷數(shù)據(jù)會出現(xiàn)在不同的跟蹤工作中。在Bugzilla中，抽取的初始本體Bug概念會表示為“SoftwareEngineering#Bug”。利用本體融合方法，借助概念命名、屬性及關系對概念間的相似度進行計算，可以有效合并相同概念。

3 數(shù)據(jù)的抽取

3.1 關聯(lián)數(shù)據(jù)映射

初始本體概念的生成過程中，關系型數(shù)據(jù)庫的表、列、鍵等元數(shù)據(jù)均與本體概念建立了相應關系，借助這些關系可以直接對映射文件進行創(chuàng)建，隨后通過映射規(guī)則可以完成領域本體與結構化數(shù)據(jù)之間的映射。

3.2 實例消解

對不同關系型數(shù)據(jù)庫的關聯(lián)數(shù)據(jù)進行融合，需要合并各結構化元數(shù)據(jù)中的本體概念，同時，本體實例需要對齊。如Bugzilla中的“Katharina@gmail.com”與Bugfree中的“katrin@hotmail.com”兩個實例指的是同一人。另外，在本體實例消解和本體融合中，相似度計算及合并的方法基本相同。

3.3 實例屬性消歧

實例消解可以消除實例間的歧義，實例屬性消歧能夠處理實例合并中屬性值的不一致問題。多值屬性出現(xiàn)不一致的情況時，可以保留所有屬性值。單值屬性出現(xiàn)不一致的情況時，需要基于屬性出現(xiàn)次數(shù)的“投票”方式及其所在實例的度決定屬性值。

4 數(shù)據(jù)的發(fā)現(xiàn)

4.1 關聯(lián)數(shù)據(jù)的特征

關聯(lián)數(shù)據(jù)具有同義詞、動賓短語、結構關系三個特征。同義詞：軟件開發(fā)的不同的參與者對同一事物的描述存在差異，但各自的用詞用語存在近義或同義的關系。動賓短語：非結構化數(shù)據(jù)的信息主要采用自然語言進行描述，動賓短語結構含有語句的關鍵信息，故借助動賓短語可以替代語句表示數(shù)據(jù)信息。結構關系：同一概念下的實例數(shù)據(jù)往往存在結構關系，連接實例可以得到結構關系的表達方式。兩個實例關聯(lián)為一個實例時，它們的結構關系一般都是相連的。

4.2 數(shù)據(jù)關聯(lián)的重建

參照關聯(lián)數(shù)據(jù)的重建方法（見圖1），對數(shù)據(jù)集的非結構化文本數(shù)據(jù)進行預處理、動賓短語抽取、同義詞識別，隨后建立向量空間模型，借助機器學習方法計算模型參數(shù)的相似度，之后結合數(shù)據(jù)集中的結構關系數(shù)據(jù)更新相似度結果，即可發(fā)現(xiàn)關聯(lián)數(shù)據(jù)。

5 結語

本文探討了軟件工程關聯(lián)數(shù)據(jù)的自動構建方法，以便群體軟件開發(fā)中，信息知曉和協(xié)同開發(fā)的問題能夠得到解決。該方法主要通過領域本體的構建在軟件倉庫結構化數(shù)據(jù)中對關聯(lián)數(shù)據(jù)進行抽取，同時根據(jù)關聯(lián)數(shù)據(jù)的三個特征，利用NLP技術IR技術發(fā)現(xiàn)軟件倉庫中潛在的關聯(lián)數(shù)據(jù)。后續(xù)將采取實驗來驗證這一方法的自動化程度與有效性，從而證實這一構建方法的可行性。

參考文獻

[1]陳蘭蘭.基于社會網(wǎng)絡分析和共詞分析的國內(nèi)關聯(lián)數(shù)據(jù)研究[J].圖書與情報，2013（05）：129-132.

[2]張明衛(wèi)，朱志良，劉瑩等.一種大數(shù)據(jù)環(huán)境中分布式輔助關聯(lián)分類算法[J].軟件學報，2015，26（11）：2795-2810.

[3]毛宇星，陳彤兵，施伯樂等.一種高效的多層和概化關聯(lián)規(guī)則挖掘方法[J].軟件學報，2011，22（12）：2965-2980.

[4]張永娟，陳濤，張珅等.基于Sesame及Rdfizer擴展工具的關聯(lián)數(shù)據(jù)應用平臺[J].圖書情報工作，2013，57（16）：135-139.

[5]夏立新，李成龍.基于關聯(lián)數(shù)據(jù)的科技報告語義共享框架設計與實現(xiàn)[J].數(shù)字圖書館論壇，2015（09）：2-9.

作者簡介

韓雨豪（1999-），山東省濟寧縣人。高中學歷。現(xiàn)為山東夢巴克網(wǎng)絡科技有限公司高級電腦技師，主要從事電腦應用與翻譯方面工作。

作者單位

山東夢巴克網(wǎng)絡科技有限公司 山東省濟寧市 272000