面向需求分类的零样本学习：一项探索性研究
软件工程
2023-03-17 v2 人工智能
摘要
背景：需求工程研究者已在一系列 RE 任务（如需求分类、需求追踪、歧义检测与建模）中尝试使用机器学习和深度学习方法。然而，当今大多数 ML/DL 方法基于监督学习技术，意味着它们需要使用大量特定任务的标注训练数据进行训练。这一限制给 RE 研究者带来了巨大挑战，因为标注数据的缺乏使他们难以充分发掘先进 ML/DL 技术的优势。目标：本文通过展示如何在不使用任何标注训练数据的情况下，将零样本学习（ZSL）方法用于需求分类，来解决这一问题。我们聚焦于分类任务，因为许多 RE 任务都可被构建为分类问题。方法：本研究所用的 ZSL 方法采用上下文词嵌入与基于 transformer 的语言模型。我们通过一系列实验来演示该方法执行三类分类任务：(1) FR/NFR：功能需求与非功能需求的分类；(2) NFR：识别 NFR 类别；(3) Security：安全需求与非安全需求的分类。结果：研究表明，ZSL 方法在 FR/NFR 任务上取得了 0.66 的 F1 分数。对于 NFR 任务，考虑到最频繁的类别，该方法产生约 0.72–0.80 的 F1。对于 Security 任务，F1 约 0.66。上述所有 F1 分数均在零训练投入下取得。结论：本研究展示了 ZSL 在需求分类中的潜力。一个重要启示是，执行分类任务时可能仅有极少或完全没有训练数据。因此，所提方法有助于解决 RE 中长期存在的数据短缺问题。
引用
@article{arxiv.2302.04723,
title = {Zero-Shot Learning for Requirements Classification: An Exploratory Study},
author = {Waad Alhoshan and Alessio Ferrari and Liping Zhao},
journal= {arXiv preprint arXiv:2302.04723},
year = {2023}
}
备注
60 pages, 22 tables, 1 figure