UML 类图的行为增强：大型语言模型方法生成的实证研究
软件工程
2025-06-03 v1 人工智能
摘要
从自然语言用例中提取行为方法以自动化丰富 UML 类图是一项重大挑战。本研究评估了九个大型语言模型（LLMs）在使用 21 个结构化废物管理用例增强一个无方法的 UML 图（21 个类，17 个关系）时的表现。总共对 90 个图（3,373 个方法）进行了六个指标的评估：方法数量、签名丰富度（可见性、名称、参数、返回类型）、注释完整性（链接到用例/动作）、结构保真度、语法正确性（PlantUML 编译）和命名趋同度（跨模型）。所有 LLM 都生成了符合 UML 约定的有效 PlantUML 图。一些模型在方法覆盖率和注释准确性方面表现出色，而其他模型则显示出更丰富的参数化但可追溯性较弱。这些结果表明，LLM 能够生成具有一致命名的结构良好的方法，推动了自动化行为建模。然而，注释和签名的不一致性凸显了改进提示工程和模型选择的必要性。这些方法的快速生成通过实现更快的设计迭代支持了敏捷实践。尽管具备这些能力，人工监督对于确保准确性、适当性和语义对齐仍然至关重要。这使得 LLM 成为软件设计中的协作伙伴。所有实验制品（\texttt{.puml}、\texttt{.png}、\texttt{.csv}）均公开可用以复现。
引用
@article{arxiv.2506.00788,
title = {Behavioral Augmentation of UML Class Diagrams: An Empirical Study of Large Language Models for Method Generation},
author = {Djaber Rouabhia and Ismail Hadjadj},
journal= {arXiv preprint arXiv:2506.00788},
year = {2025}
}