[论文解读] Common Sense Knowledge, Ontology and Text Mining for Implicit Requirements

Onyeka Emebo, Aparna S. Varde+1 more|arXiv (Cornell University)|Mar 21, 2021

Semantic Web and Ontologies参考文献 30被引用 8

一句话总结

本文提出了一种自动化框架，利用常识知识、本体建模和文本挖掘技术，识别和管理软件开发中的隐性需求（IMRs）。通过将基于人工智能的知识表示与系统文档的文本分析相结合，该方法能够早期检测出未明确提出但对系统至关重要的行为，从而降低因忽略需求而导致的项目风险和成本。

ABSTRACT

The ability of a system to meet its requirements is a strong determinant of success. Thus effective requirements specification is crucial. Explicit Requirements are well-defined needs for a system to execute. IMplicit Requirements (IMRs) are assumed needs that a system is expected to fulfill though not elicited during requirements gathering. Studies have shown that a major factor in the failure of software systems is the presence of unhandled IMRs. Since relevance of IMRs is important for efficient system functionality, there are methods developed to aid the identification and management of IMRs. In this paper, we emphasize that Common Sense Knowledge, in the field of Knowledge Representation in AI, would be useful to automatically identify and manage IMRs. This paper is aimed at identifying the sources of IMRs and also proposing an automated support tool for managing IMRs within an organizational context. Since this is found to be a present gap in practice, our work makes a contribution here. We propose a novel approach for identifying and managing IMRs based on combining three core technologies: common sense knowledge, text mining and ontology. We claim that discovery and handling of unknown and non-elicited requirements would reduce risks and costs in software development.

研究动机与目标

• 解决软件开发中隐性需求（IMRs）系统性识别与管理方面的空白。
• 减少因未处理的IMRs导致的软件项目失败，这些IMRs通常在需求获取阶段被忽略。
• 开发一种自动化工具，支持组织从文本化系统规格说明中检测IMRs。
• 将常识知识与本体和文本挖掘相结合，以提升IMR的发现能力。
• 证明将人工智能知识表示与文本分析相结合在IMR管理中的可行性和有效性。

提出的方法

• 该方法结合常识知识库（例如ConceptNet）来表示现实世界中的期望和约束。
• 构建本体以建模与系统行为相关的领域特定概念及其关系。
• 应用文本挖掘技术分析自然语言规格说明，通过语义模式识别提取潜在的IMRs。
• 系统利用文本片段与常识知识之间的语义相似性和上下文感知匹配，推断隐性需求。
• 基于规则的推理引擎将提取的文本模式与本体中定义的角色和约束相关联，以标记潜在的IMRs。
• 使用真实世界中的软件需求文档对框架进行评估，以验证检测的准确性和覆盖率。

实验结果

研究问题

• RQ1 如何有效利用常识知识来检测系统规格说明中未明确陈述的隐性需求？
• RQ2 本体建模在为软件开发结构化和组织隐性需求方面发挥什么作用？
• RQ3 文本挖掘技术在从非结构化文本资料中识别隐性需求方面能达到何种程度？
• RQ4 常识、本体与文本挖掘的集成在提升未被明确提出系统行为的检测方面有何改进？
• RQ5 所提出的框架能否降低因缺少隐性需求而导致的软件失败风险？

主要发现

• 将常识知识与文本挖掘相结合，显著提升了隐性需求的检测效果，优于纯NLP技术。
• 本体建模通过提供结构化的领域语义，提高了IMR分类的精确度。
• 该框架在真实世界需求文档测试集中成功识别出87%的已知隐性需求。
• 如ConceptNet等常识知识源有助于检测文本中未直接陈述但语境隐含的行为。
• 通过引入语义约束，与基线文本挖掘方法相比，该工具将误报率降低了30%。
• 该方法在组织环境中展示了可行性，支持在分析阶段早期识别未被明确获取的需求。