T-FREX：一种基于 Transformer 的移动应用评论特征提取方法

移动应用评论是软件相关知识生成活动（包括软件维护、演化和反馈分析）的大规模数据源。从这些评论中有效提取特征（即功能或特性）是支持特征接受度分析、识别相关新特征请求以及确定特征开发优先级等的关键。传统方法侧重于基于句法模式的方法，通常不依赖上下文，在封闭的应用集合上进行评估，难以复现，且局限于有限的应用集合和领域。同时，基于 Transformer 架构的大型语言模型（LLM）在软件工程任务中的普及，为实证评估这些模型支持特征提取的性能奠定了基础。在本研究中，我们提出了 T-FREX，一种基于 Transformer 的、全自动的移动应用评论特征提取方法。首先，我们从一个真实的众包软件推荐平台收集用户的一组真实特征，并将其自动转换为应用评论数据集。然后，我们使用这个新创建的数据集，在不同的数据配置下对多个 LLM 进行命名实体识别任务的微调。我们基于该真实特征评估 T-FREX 的性能，并通过将 T-FREX 与该领域的基线方法进行比较来补充我们的分析。最后，我们通过外部人工评估来评估 T-FREX 预测的新特征的质量。结果表明，T-FREX 平均优于传统的基于句法的方法，尤其是在从模型已微调的领域中发现新特征时。