FeClustRE：从用户评论中提取应用功能的层次化聚类与语义标签

[背景与动机] 从移动应用评论中提取功能正在成为多个需求工程任务的重要环节，但现有方法难以将噪声、模糊的反馈转化为可解释的洞察。[问题/疑问] 语法方法缺乏语义深度，大语言模型(LLM)常常遗漏细粒度功能或难以将其结构化组织。此外，现有方法输出平铺式功能列表，缺乏语义组织，限制了解释性和可比性。因此，当前的特征提取方法未能提供结构化且有意义的应用功能表征，导致实践者面临碎片化信息，阻碍需求分析、优先级排序及跨应用比较等用例。[核心思想与结果] 本文提出FeClustRE，一个集成混合特征提取、自调优层次聚类及LLM语义标注的框架。FeClustRE融合语法解析与LLM增强，将功能组织进聚类，并自动生成有意义的分类标签。我们在公开基准数据集上评估了FeClustRE的提取正确性，并通过对生成式AI助手应用评论的样本研究检验了聚类质量、语义连贯性和可解释性。[贡献] 总体而言，FeClustRE提供了：(1) 一个用于特征提取与分类生成的混合框架；(2) 一个具备全面评估方法论的自调优机制；(3) 开源且可复制的实现。这些贡献桥接了用户反馈与功能理解之间的关系，使我们能够深入洞察当前及新兴需求。