基于語義分析的軟件需求提取技術(shù)研究?

（海軍駐大連地區(qū)第一軍事代表室 大連 116000）

1 引言

在信息系統(tǒng)研制過程中，軟件需求橫向可以劃分為業(yè)務(wù)需求、用戶需求和功能需求三個(gè)層次，縱向可以劃分為功能性需求和非功能性需求兩個(gè)類型。為此，人們提出了面向?qū)ο蟮姆椒?、面向目?biāo)的方法和面向主體和意圖的方法等不同的需求分析方法。

非形式化需求描述，多采用自然語言或類自然語言方法描述，容易建立和理解，但定義缺乏嚴(yán)格，存在二義性；半形式化描述雖具備了結(jié)構(gòu)化特征，提高了需求描述的規(guī)范性，但形式定義仍不夠嚴(yán)格，且不易推理和檢驗(yàn)；形式化描述多建立在數(shù)學(xué)基礎(chǔ)上，具有嚴(yán)格的形式定義，便于進(jìn)行推理和檢驗(yàn)，但多數(shù)不易理解且難擴(kuò)展［1］。

而多源異構(gòu)文本需求中蘊(yùn)含著大量的語義要素，它們具有不同的層次和角度的特性［2］。因此，在對(duì)文本需求的實(shí)體、屬性、關(guān)系和事件進(jìn)行抽取和發(fā)現(xiàn)，需要構(gòu)建源異構(gòu)文本需求多層次多角度語義要素模型，以適應(yīng)不同場(chǎng)景下需求文本中語義的不同粒度與視角［3］。

因此，本文提出了基于語義提取的軟件需求分析技術(shù)，主要是在統(tǒng)一的軟件需求表示和組織框架下，進(jìn)行軟件需求語義的提取。技術(shù)框架如圖1所示。

圖1 基于語義分析的軟件需求分析技術(shù)技術(shù)框架

2 軟件需求表示和組織

針對(duì)軟件需求描述中存在的多層次、多角度的特點(diǎn)，本文提出了一種多層次多角度的需求統(tǒng)一表示和組織框架。包括三方面內(nèi)容：1）構(gòu)建一個(gè)統(tǒng)一的、形式化的、規(guī)范化的功能需求描述模型；2）功能需求描述方式與非功能需求描述方式之間的轉(zhuǎn)換方法；3）核心需求描述與非形式化、半形式化以及形式化的需求描述之間的轉(zhuǎn)換機(jī)制［4］。

2.1 需求統(tǒng)一描述模型

同領(lǐng)域的信息系統(tǒng)具有極高的相似性，特別是在需求和功能上，共同點(diǎn)更為著性。這就決定了它們的解決方案也具有穩(wěn)定性和內(nèi)聚性。通過統(tǒng)一的本體描述方法，可以將同領(lǐng)域的特征模型和體系結(jié)構(gòu)建模有機(jī)結(jié)合。合理定義基于本體語言需求描述的領(lǐng)域約束，以及可操作的驗(yàn)證規(guī)則，就可以借助本體與生俱來的嚴(yán)格推理能力，自動(dòng)地建立和驗(yàn)證其領(lǐng)域內(nèi)的需求描述模型。這種方法就兼顧了建模的高效性和驗(yàn)證準(zhǔn)確性。

作為一種語義相關(guān)的知識(shí)概念模型，本體涵蓋了信息系統(tǒng)領(lǐng)域中的對(duì)象、概念等實(shí)體及其之間的關(guān)系。本體有五個(gè)建模元素，分別是類、關(guān)系、函數(shù)、公理和實(shí)例，其概念如下［5］。

類：也可稱為概念，它可以泛指任何事物，包括事件、功能、策略和推理過程等。

關(guān)系：用于刻畫領(lǐng)域中概念間的交互作用，形式上通常被定義成n維笛卡兒積的子集R:C1×C2×…×Cn?；娟P(guān)系包括：實(shí)例與概念間的關(guān)系、屬性關(guān)系、部分與整體的關(guān)系，以及繼承關(guān)系。

函數(shù)：本體概念范疇中的一類特殊關(guān)系。在函數(shù)中，前面的元素是可以唯一決定后面的元素的，形式化地可定義為Function:C1×C2×…×Cn-1→Cn。

公理：用于表示恒真斷言。

實(shí)例：指代隸屬于某一概念的對(duì)象，代表元素。

OWL的語義表達(dá)能力極為卓越，它在處理文檔內(nèi)容和文檔其他豐富的相關(guān)信息上具有很大優(yōu)勢(shì)［4］。OWL本體中要素與本文要建立的需求模型要素是非常貼近。因此，采用OWL語言作為統(tǒng)一需求描述語言。

2.2 非功能需求建模

軟件需求分析和規(guī)約中，通常會(huì)對(duì)功能和非功能需求分而治之。將非功能需求的描述語句結(jié)構(gòu)化處理后，分別列在軟件需求文檔中的對(duì)應(yīng)章節(jié)，是表示需求的通常做法。然而，該方法本質(zhì)上對(duì)主要采用非形式化的自然語義來描述需求內(nèi)容，避免不了不一致性、二義性等問題的產(chǎn)生［6］。

為了易于展現(xiàn)概念的分解、聚合，經(jīng)常會(huì)用樹結(jié)構(gòu)和表結(jié)構(gòu)等結(jié)構(gòu)化的方式來表示非功能需求的層次關(guān)系。面向目標(biāo)的分析和建模方法，也是一種能夠深入分析、細(xì)致刻畫功能需求的建模方法［7］。這種形式化本體建模方法主要采用非功能需求框架和軟目標(biāo)依存圖來建立非功能需求表達(dá)模型，基于本體建模思想對(duì)非功能需求的概念層次、屬性關(guān)系和公理化合理刻畫，并采用OWL語言構(gòu)建出本體模型［8］。其本體中蘊(yùn)含非功能需求的概念層次關(guān)系、以及交互關(guān)系的語義表示和推理，以此來實(shí)現(xiàn)非功能需求自動(dòng)化的分析。

2.3 描述間的相互轉(zhuǎn)換

由于統(tǒng)一需求描述采用本體描述語言O(shè)WL，而UML需求描述可以用于作為輸出給用戶的需求形式，接下來，研究了OWL需求描述與UML需求描述之間的相互轉(zhuǎn)換。

1）UML類圖在OWL本體上的映射

UML類圖，是通過類以及類之間的關(guān)系組成，類之間的關(guān)系主要有泛化、組合、聚合、關(guān)聯(lián)和依賴等［5］。通常，UML類圖可以由（概念集合，屬性集合，行為集合，關(guān)系集合）等元素組成的四元組表示。它和OWL本體之間有很多概念上的相似或等價(jià)。例如，在UML類圖中，關(guān)聯(lián)可通過屬性表示，而在OWL中，關(guān)聯(lián)也被定義為屬性。UML類圖在OWL本體上的映射規(guī)則包括有標(biāo)識(shí)符規(guī)則、屬性規(guī)則、取值范圍規(guī)則、行為規(guī)則、關(guān)聯(lián)規(guī)則、泛化規(guī)則、聚合規(guī)則、組合規(guī)則等。

2）OWL需求描述向UML需求描述的轉(zhuǎn)換

基于軟件開發(fā)領(lǐng)域的知識(shí)范疇，UML元模型具備緊密聯(lián)系用戶需求和軟件設(shè)計(jì)的能力［5］。這實(shí)質(zhì)上是對(duì)應(yīng)用本體概念的實(shí)現(xiàn)，以及概念關(guān)聯(lián)在面向?qū)ο筌浖O(shè)計(jì)方法上的映射［8］。為了實(shí)現(xiàn)從需求模型到面向?qū)ο竽Ｐ偷霓D(zhuǎn)變，需要將面向?qū)ο竽Ｐ椭袑?duì)象、類和關(guān)聯(lián)等概念從基于應(yīng)用本體的需求模型中合理提取。OWL需求描述向UML需求描述的轉(zhuǎn)換也有詳細(xì)和嚴(yán)格的規(guī)則［5］。

3）統(tǒng)一需求描述與面向方面文檔需求描述的相互轉(zhuǎn)換

本體需求描述到面向方面文檔需求描述的相互轉(zhuǎn)換主要包括兩個(gè)方面：第一個(gè)方面是從需求描述模型結(jié)構(gòu)本身開始，通過對(duì)本體需求描述模型和面向方面文檔需求描述模型進(jìn)行深入比對(duì)，找出模型上聯(lián)系和差異，并進(jìn)行轉(zhuǎn)換；第二個(gè)方面是從最初的建模條件出發(fā)，分析兩個(gè)模型建模思想，從中找出兩者的關(guān)聯(lián)，并進(jìn)行轉(zhuǎn)換。

3 軟件需求語義提取技術(shù)

在多層次多角度的需求統(tǒng)一表示和組織框架，通過定義句型模式規(guī)則集，來嚴(yán)格規(guī)范需求結(jié)構(gòu)化描述。在對(duì)需求文本進(jìn)行語義分析時(shí)，根據(jù)匹配到的句型進(jìn)行語義分類。并基于前期識(shí)別出實(shí)體類，實(shí)體類的屬性和操作，角色和用例［9］等建模元素，形成需求結(jié)構(gòu)化描述。

3.1 實(shí)體知識(shí)抽取

面向多源異構(gòu)的文本需求，本文提出了多層次多角度的實(shí)體知識(shí)抽取技術(shù)，主要包括1）基于結(jié)構(gòu)化需求的實(shí)體抽取與初始需求實(shí)體庫構(gòu)建；2）基于半監(jiān)督學(xué)習(xí)和模板匹配的非結(jié)構(gòu)化需求中實(shí)體抽取與需求實(shí)體庫補(bǔ)全；3）基于半監(jiān)督學(xué)習(xí)的Bi-LSTM（雙向長時(shí)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)）與CRF（條件隨機(jī)場(chǎng)）［10］結(jié)合的需求實(shí)體抽取模型三部分內(nèi)容。多源異構(gòu)文本需求多層次多角度實(shí)體抽取技術(shù)總體技術(shù)框架如圖2所示。

1）基于結(jié)構(gòu)化需求的實(shí)體抽取與初始需求實(shí)體庫構(gòu)建

信息系統(tǒng)的研制過程中，需求規(guī)格說明等軟件開發(fā)文檔是遵照標(biāo)準(zhǔn)或格式來編制，其部分需求描述具有結(jié)構(gòu)性?？芍苯訌倪@些結(jié)構(gòu)化需求文本中獲取實(shí)體，并構(gòu)建初始需求實(shí)體庫。

圖2 多源異構(gòu)文本需求多層次多角度實(shí)體抽取技術(shù)總體架構(gòu)

2）基于半監(jiān)督學(xué)習(xí)和模板匹配的非結(jié)構(gòu)化需求文本中實(shí)體抽取與需求實(shí)體庫補(bǔ)全研究

初始需求實(shí)體庫雖然準(zhǔn)確率較高，但是由于大量需求的描述不具有結(jié)構(gòu)性，導(dǎo)致需求實(shí)體覆蓋率低，不能自動(dòng)提取。通過采用1）中的初始需求實(shí)體庫為半監(jiān)督種子，基于半監(jiān)督學(xué)習(xí)和模板匹配的非結(jié)構(gòu)化需求文本中需求實(shí)體的自動(dòng)抽取，對(duì)需求實(shí)體庫進(jìn)行補(bǔ)全。

基于半監(jiān)督學(xué)習(xí)和模板匹配的非結(jié)構(gòu)化需求文本中實(shí)體抽取算法如下：

算法1：需求實(shí)體自動(dòng)抽取與需求實(shí)體庫補(bǔ)全算法

輸入：初始需求實(shí)體庫E，非結(jié)構(gòu)化需求文本C

輸出：需求實(shí)體

步驟1：遍歷所有非結(jié)構(gòu)化需求文本數(shù)據(jù)集C，獲取符合頓等模式的所有需求描述語句集合S

步驟2：foreachsi∈Sdo

步驟3： 抽取si中符合頓等模式的同類詞集合T

步驟4： foreachti∈Tdo

步驟5： iftinot in E do

步驟6： addtito E

步驟7： end if

步驟8： end foreach

步驟9：end foreach

3）基于半監(jiān)督學(xué)習(xí)的Bi-LSTM與CRF結(jié)合的需求文本中實(shí)體抽取模型研究

前面兩種方法需要人工參與，其覆蓋率提升緩慢。對(duì)此，采用需求實(shí)體庫中的實(shí)體作為半監(jiān)督學(xué)習(xí)的種子，對(duì)多源需求文本進(jìn)行少量標(biāo)注，構(gòu)建Bi-LSTM與CRF方法結(jié)合的實(shí)體抽取機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)多源需求文本中的需求實(shí)體進(jìn)行自動(dòng)識(shí)別和抽取。

首先，利用詞向量作為輸入，使用Word2vec技術(shù)和CBOW（Continue Bag of Words）方法，對(duì)需求文本數(shù)據(jù)集進(jìn)行字向量學(xué)習(xí)，具體如下：

其中，wi是需要預(yù)測(cè)的字，wc是字wi的該次訓(xùn)練中的上下文集合，p(wi|wc)是已知字wi的上下文wc的條件下獲得字wi的概率，h的表示如下：

對(duì)此，整個(gè)需求實(shí)體庫的字向量訓(xùn)練目標(biāo)函數(shù)如下：

采用負(fù)采樣技術(shù)對(duì)字向量進(jìn)行訓(xùn)練。訓(xùn)練完成詞向量后，利用需求實(shí)體庫中的實(shí)體作為半監(jiān)督學(xué)習(xí)的種子，使用遠(yuǎn)程監(jiān)督方法，對(duì)需求文本進(jìn)行自動(dòng)標(biāo)注。

基于Bi-LSTM（雙向長時(shí)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)）與CRF（條件隨機(jī)場(chǎng)）方法結(jié)合的實(shí)體抽取機(jī)器學(xué)習(xí)模型整體框架如圖3所示。

圖3中模型的第一層是look_up層，并利用訓(xùn)練好的一個(gè)句子x的字向量（Vi=Rd，d是字向量的維度）作為輸入。

第二層是雙向LSTM層，對(duì)look_up層輸入的數(shù)據(jù) (V1，…，Vn)進(jìn)行自動(dòng)特征提取。其中，正向LSTM 輸出(f1，…，fn) ，反 向 LSTM 輸 出(b1，…，bn)。對(duì)正反兩兩的LSTM輸出單元進(jìn)行按位置拼接形成C=(f1⊕b1，…，fn⊕bn)，C∈Rn×2d，并執(zhí)行Dropout技術(shù)，并執(zhí)行一個(gè)線性操作將2d維轉(zhuǎn)為K維，記為：P=(p1，…，pn)∈Rn×K，pi∈RK。

第三層是CRF層，將pi∈RK的每一維作為該字分到哪一個(gè)標(biāo)簽下的一個(gè)打分。CRF層的參數(shù)是一個(gè)(K+2)×(K+2)的轉(zhuǎn)移矩陣A，Aij表示從第i個(gè)標(biāo)簽轉(zhuǎn)移到第j個(gè)標(biāo)簽的轉(zhuǎn)移得分。那么一個(gè)句子的標(biāo)簽序列y=(y1，…yn)對(duì)于句子序列x=(x1，…xn)打分為

對(duì)得分使用Softmax得到歸一化后的概率：

模型在訓(xùn)練時(shí)，目標(biāo)函數(shù)使用最大化上述公式的對(duì)數(shù)似然函數(shù)：

當(dāng)模型訓(xùn)練完成后，采用動(dòng)態(tài)規(guī)劃的Viterbi算法來進(jìn)行測(cè)試和預(yù)測(cè)：

圖3 基于Bi-LSTM與CRF方法結(jié)合的需求實(shí)體抽取機(jī)器學(xué)習(xí)模型整體框架示意圖

通過基于Bi-LSTM與CRF方法結(jié)合機(jī)器學(xué)習(xí)模型可以抽取大量的需求實(shí)體，進(jìn)而可以對(duì)需求實(shí)體庫進(jìn)行實(shí)體的補(bǔ)全。

3.2 屬性知識(shí)抽取

需求屬性抽取的目標(biāo)是從多層次多角度的數(shù)據(jù)源中采集需求實(shí)體的屬性信息，實(shí)現(xiàn)對(duì)實(shí)體知識(shí)的整體勾畫，為需求實(shí)體關(guān)系的抽取、需求知識(shí)的融合、表達(dá)提供基礎(chǔ)和實(shí)現(xiàn)的載體［11］。而實(shí)體屬性可以看作實(shí)體與屬性值之間的一種名詞性表述關(guān)系。實(shí)體屬性的抽取可看作是一種特殊的關(guān)系抽取。

多源異構(gòu)需求文本的屬性抽取可以從兩個(gè)方面來開展研究：1）直接屬性抽?。?）基于關(guān)聯(lián)語義鏈的語義屬性抽取。直接屬性抽取是利用數(shù)據(jù)挖掘等技術(shù)，從不同來源的結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化的需求文本中抽取實(shí)體屬性知識(shí)?；陉P(guān)聯(lián)語義鏈的語義屬性抽取則主要利用實(shí)體的關(guān)聯(lián)語義鏈，抽取與實(shí)體高度關(guān)聯(lián)的語義詞語作為屬性。

對(duì)于結(jié)構(gòu)化、半結(jié)構(gòu)化需求文本，利用結(jié)構(gòu)信息抽取出實(shí)體對(duì)應(yīng)的屬性候選，然后利用關(guān)聯(lián)規(guī)則挖掘Apriori算法，選取置信度高的候選作為實(shí)體對(duì)應(yīng)的屬性。對(duì)于非結(jié)構(gòu)化需求文本，利用句法分析對(duì)需求文本進(jìn)行處理，利用實(shí)體識(shí)別結(jié)果、句法分析結(jié)果和屬性詞典產(chǎn)生每個(gè)實(shí)體對(duì)應(yīng)的屬性候選，然后融合句法語義特征、候選屬性本身的語義特征、候選屬性與實(shí)體間的相對(duì)位置特征等多種特征來對(duì)每個(gè)候選屬性進(jìn)行打分，分值高的屬性候選即為抽取結(jié)果。

3.3 多樣性關(guān)系抽取

需求的關(guān)系包括：需求實(shí)體或?qū)傩缘姆诸悓哟侮P(guān)系、部分-整體關(guān)系、相似關(guān)系、互斥-協(xié)同等抽象關(guān)系以及屬性關(guān)系等。其中屬性關(guān)系可以直接通過屬性抽取的方法得到，而部分-整體關(guān)系和分類層次關(guān)系可以歸納為需求實(shí)體或?qū)傩缘膇s-a關(guān)系。因此選取以下面三種具有代表性的需求實(shí)體或?qū)傩蚤g的關(guān)系進(jìn)行關(guān)系抽取的研究：is-a關(guān)系、相似關(guān)系、互斥-協(xié)同關(guān)系［12］。

采用基于實(shí)體注意力的深度神經(jīng)網(wǎng)絡(luò)實(shí)體關(guān)系抽取模型，來抽取需求實(shí)體的關(guān)聯(lián)關(guān)系。并借助語義信息分析技術(shù)，預(yù)測(cè)需求實(shí)體間語義關(guān)系的類別，從而達(dá)到抽取多源異構(gòu)文本中實(shí)體和關(guān)系的目的。具體來說，首先采用雙向LSTM對(duì)需求實(shí)體所在的文本的上下文進(jìn)行建模，隨后利用實(shí)體注意力模型對(duì)辨別語義關(guān)系過程中起不同作用的語義特征分配不同權(quán)重，然后將不同需求實(shí)體相關(guān)特征的計(jì)算結(jié)果通過softmax歸一化映射為每一類語義關(guān)系對(duì)應(yīng)的概率，模型的參數(shù)通過梯度下降算法進(jìn)行優(yōu)化。

3.4 基于模式匹配的需求語義分析

針對(duì)需求描述的不確定性和語義表達(dá)多樣性，通過定義需求句型模式規(guī)則集，來規(guī)范需求結(jié)構(gòu)化描述。對(duì)需求文本進(jìn)行語義分析時(shí)，根據(jù)匹配到的句型進(jìn)行語義分類，并基于前期識(shí)別出實(shí)體類，實(shí)體類的屬性和操作，角色和用例等建模元素，形成需求結(jié)構(gòu)化描述［6］。

然后，利用模式匹配的方法，把從原文本中抽取到的句型模式和XML的結(jié)構(gòu)相結(jié)合起來，自動(dòng)化地生成需求條目。將本技術(shù)拆解為以下三個(gè)主要模塊來實(shí)現(xiàn)：1）基于XML的句型模式規(guī)則集的定義；2）基于有監(jiān)督機(jī)器學(xué)習(xí)方法的句型自動(dòng)發(fā)現(xiàn)；3）基于模式匹配的語義分析。下面將詳細(xì)解析每個(gè)模塊使用的技術(shù)與方法。

1）基于XML的句型模式規(guī)則集的定義

XML是一種可拓展標(biāo)記語言，它是一種具有結(jié)構(gòu)性的標(biāo)記語言，提供統(tǒng)一的方法來描述結(jié)構(gòu)化數(shù)據(jù)，具有強(qiáng)大的描述能力與靈活的應(yīng)用場(chǎng)景。

通常來說，需求主要描述了功能、性能、可靠性、出錯(cuò)處理、接口等方面的要素。而用戶在對(duì)這些特定方面的描述常常會(huì)使用一些特定的語法結(jié)構(gòu)，如用戶在描述性能需求時(shí)通常會(huì)使用類似“XXX功能的響應(yīng)時(shí)間應(yīng)在XXX毫秒之內(nèi)”的語句?？筛鶕?jù)用戶需求，定義一套句型模式規(guī)則集，用于后續(xù)的語義分析和需求結(jié)構(gòu)化描述的生成，并采用XML來結(jié)構(gòu)化地存儲(chǔ)被提取的需求條目。

2）基于有監(jiān)督機(jī)器學(xué)習(xí)方法的需求句型自動(dòng)發(fā)現(xiàn)

對(duì)于給定的需求文本，通過文本句子中每個(gè)語素之間的聯(lián)系，構(gòu)建出語義樹，以實(shí)現(xiàn)自動(dòng)化地分析出句子的句型。在3.1中，已經(jīng)將文本中的關(guān)鍵詞提取出來，接下來就需要進(jìn)一步分析每個(gè)句子，獲取句中關(guān)鍵詞間的關(guān)系。

一般可將關(guān)系抽取技術(shù)劃分為無監(jiān)督、半監(jiān)督和有監(jiān)督等三種學(xué)習(xí)方法［12］。由于軟件需求文本中，原始數(shù)據(jù)往往是雜亂、弱邏輯化的文本，使用半監(jiān)督和無監(jiān)督的方法聚類的提取方法效果較差，而有監(jiān)督的學(xué)習(xí)方法能抽取更有效的特征，從而獲得更高的準(zhǔn)確率和召回率?；谟斜O(jiān)督機(jī)器學(xué)習(xí)方法的需求句型自動(dòng)發(fā)現(xiàn)，主要步驟如圖4所示。

圖4 基于有監(jiān)督機(jī)器學(xué)習(xí)方法的需求句型自動(dòng)發(fā)現(xiàn)算法

3）基于模式匹配的語義分析

模式匹配起初是一種用于進(jìn)行字符串匹配的簡單算法。給定兩個(gè)字符串：其中，匹配子串為“ab”，被匹配的母串為“abbaabcdeeefffab”。從母串中找出所有與子串相同的部分，就是模式匹配的主要工作，其目的尋找母串和子串之間存在的映射關(guān)系。在邏輯層面，也可以將它理解為語義關(guān)系的獲取。

前期通過基于有監(jiān)督機(jī)器學(xué)習(xí)方法的需求句型自動(dòng)發(fā)現(xiàn)方法，得到了需求句型模式串后，進(jìn)一步采用基于規(guī)則的模式匹配方法，對(duì)軟件需求文本進(jìn)行語義分析。這些需求句型模式串被提取出，并以XML樹形結(jié)構(gòu)的來表示，并融入包括數(shù)據(jù)類型、成員名稱以及數(shù)據(jù)結(jié)構(gòu)等信息，用于對(duì)模式匹配全過程的協(xié)同控制。將所有可能的樹形結(jié)構(gòu)作為模式匹配中的文本串，進(jìn)行多次對(duì)模式進(jìn)行遍歷匹配，匹配結(jié)果中效果最好的作為最終的提取結(jié)果，并同樣以XML的形式結(jié)構(gòu)化地存儲(chǔ)到中間數(shù)據(jù)庫中，形成基于語義分析的需求分析結(jié)果。

4 結(jié)語

針對(duì)信息系統(tǒng)開發(fā)過程中面臨的需求變化頻率高、人工提取需求效率較低等問題，本文設(shè)計(jì)多層次多角度需求統(tǒng)一表示和組織框架，實(shí)現(xiàn)需求的統(tǒng)一形式化描述以及與其他描述方法之間的轉(zhuǎn)換，在此基礎(chǔ)上通過實(shí)體知識(shí)抽取、屬性知識(shí)抽取、多樣性關(guān)系抽取和基于模式匹配的需求語義分析技術(shù)的實(shí)現(xiàn)，最終完成了基于多層次多角度語義分析的需求提取技術(shù)的構(gòu)建，為信息服務(wù)系統(tǒng)的分析、設(shè)計(jì)、開發(fā)、測(cè)試和維護(hù)的全流程提供有力支撐。