从概念特性到功能需求的自动化转换：愿景与规范

《ACM Transactions on Software Engineering and Methodology》：Vision to Specification: Automating the Transition from Conceptual Features to Functional Requirements

将高层抽象需求转化为可测试功能要求（FRs）是软件开发的关键步骤。EasyFR方法通过推荐语义角色标注（SRL）序列引导预训练语言模型生成连贯FRs，并设计了两套可配置的SRL模板。提出的Key2Temp模型能根据具体需求匹配模板，将需求生成转化为结构化槽填充任务。实验表明在四组公开数据集上，EasyFR优于GPT-4等先进NLG方法，尤其在已有FR训练数据时效果更显著，且通过消融实验验证了SRL模板建议的有效性。该方法为自动化需求合成提供了新思路，可提升未来软件项目的规格说明效率。

　　

摘要

将高层次的抽象特征转化为清晰且可测试的功能需求（Functional Requirements, FRs）是软件开发中的一个关键步骤，它架起了用户需求与技术规范之间的桥梁。在工程实践中，这一转化过程需要大量的专家投入。我们的方法EasyFR通过为给定的抽象特征推荐语义角色标注（Semantic Role Labeling, SRL）序列来简化这一过程，从而指导预训练的语言模型（Pre-trained Language Models, PLMs）生成连贯的功能需求陈述。通过对十个不同数据集的分析，我们归纳出了两种可变性的SRL模板，每种模板包含两个可配置的部分。对于具体的特征，我们提出的Key2Temp模型能够通过识别合适的SRL模板并将特征标记插入相应的位置来构建该模板的适当版本。这样一来，我们的方法将需求生成过程重构为一种结构化的槽填充活动。在四个公开数据集上的实验验证表明，EasyFR的表现优于三种先进的自然语言生成（Natural Language Generation, NLG）方法，包括GPT-4，尤其是在已有功能需求可供训练的情况下。通过消融研究进一步证实了我们的SRL模板推荐机制的积极作用。我们认为，我们的研究成果标志着自动化需求合成领域的一个重要进展，有望改进未来软件项目中的需求规范制定过程。