堆叠集成深度学习在非功能性需求分类中的应用

《IEEE Transactions on Reliability》：Stacked Ensemble Deep Learning for the Classification of Nonfunctional Requirements

软件需求工程中非功能性需求（NFRs）的分类是提升软件质量的关键。本研究提出基于RNN、LSTM、GRU深度学习模型的集成方法，结合随机搜索与网格搜索优化超参数，并对比BERT模型性能。实验在914个NFRs数据集上验证，加权平均F1-Score达0.90，显著优于单一模型。

　　

摘要：

需求工程是软件质量的基础。在软件开发生命周期的初期阶段明确定义正确的软件需求可以最大限度地降低项目成本和努力。虽然功能需求（FRs）定义了软件的功能，但非功能需求（NFRs），如可用性、性能、安全性和可靠性，对于软件的接受和部署至关重要。理解来自不同利益相关者的软件需求是一项繁琐的任务。手动调查利益相关者的需求可能会遗漏重要的NFRs。因此，需要自动需求分类技术来消除对利益相关者需求的误解并加快开发进程。几种机器学习方法被用于NFRs的分类。我们探讨了循环神经网络、长短期记忆网络和门控循环单元深度学习（DL）方法。我们采用随机搜索技术进行超参数优化。此外，我们使用堆叠集成学习来通过结合基础模型的优势来提升分类效果，其中支持向量机作为元学习器。我们使用网格搜索来优化元学习器的超参数。最后，我们将堆叠集成方法与BERT语言模型进行了比较。所提出的方法在两个数据集收集的914个NFRs上进行了评估。我们的集成模型分别实现了0.91、0.90和0.90的加权平均精度、召回率和F1分数。

引言

软件应用程序复杂性的增加提高了对正确和精确定义软件需求的需求。收集和分析利益相关者的需求是软件开发生命周期（SDLC）中的一个关键步骤，必须在初期阶段谨慎处理[1]。未能理解软件需求会导致无法交付可靠的软件产品，从而增加项目时间和成本，最终可能导致项目失败[2]。