利用大型语言模型自动检测需求依赖关系
计算机视觉与模式识别
2026-05-14 v2
摘要
需求本质上通过各种类型依赖关系相互关联。识别这些依赖关系至关重要，因为它们支撑关键决策并影响软件开发中一系列活动。然而，由于现代软件系统中需求数量庞大且复杂、耦合紧密，这一任务颇具挑战性，尤其是由于自然语言（NL）需求的模糊性及其持续变化。因此，需求依赖检测常常被忽视或进行手动操作。大型语言模型（LLM）在NL处理方面表现出强大能力，为需求相关任务提供了有前景的解决方案。虽然它们已显示出增强各种需求工程任务的能力，但在识别需求依赖关系方面的有效性尚未探索。本文我们引入LEREDD，一种基于LLM的需求依赖自动检测方法，利用检索增强生成（RAG）和上下文学习（ICL），旨在直接从NL需求中识别多样化的依赖类型。我们对LEREDD进行经验评估，与两项最先进基线进行比较。结果表明，LEREDD在依赖与非依赖需求的分类上高度准确，准确率达0.93，F1分数为0.84（后者在非依赖案例中平均为0.96）。LEREDD在检测细粒度依赖类型方面尤为出色，对于Requires依赖，相较于基线平均提升了94.87%和105.41%的F1分数。我们还提供了一个涵盖813对需求关系的注释数据集，跨越三个不同系统，以支持可重复性和未来研究。
引用
@article{arxiv.2602.22455,
title = {Exploring Multimodal LMMs for Online Episodic Memory Question Answering on the Edge},
author = {Giuseppe Lando and Rosario Forte and Antonino Furnari},
journal= {arXiv preprint arXiv:2602.22455},
year = {2026}
}