大型分类法目录下的多标签需求分类

分类通过组织需求类来帮助软件开发活动，以便更轻松地访问和检索。需求分类研究的大部分工作目前集中在二进制或多类分类中。具有大型分类法目录的多标签分类可以帮助需求可追溯性，但使用监督训练进行的成本过高。因此，我们调查了零-shot学习以评估使用大型分类法目录进行多标签需求分类的可行性。我们将129个需求与769个标签相关联，这些标签来自范围在250到1183个类别的分类法目录。然后，我们进行了受控实验来研究分类器类型、分类法层次结构以及分类法的结构特征对分类性能的影响。结果显示：（1）句子-based分类器的召回率显著高于单词-based分类器；尽管如此，精度和F1分数并未显著提高。（2）分层分类策略并不总是提高需求分类的性能。（3）分类法的总节点和叶节点与分层句子-based分类器的召回率呈强负相关。我们研究了大型分类法目录下的多标签需求分类问题，概述了涉及行业参与者创建基准_truth的系统方法，并提供了使用零-shot学习的不同分类管道的分析。