一种面向用户反馈的智能分析与服务设计方法

针对用户评论数据,提出了一种面向用户反馈的智能分析与服务设计方法。该方法选取了IOS平台多个App的用户评论数据,对其进行智能挖掘和分类,分析其中的潜在需求。首先,分析用户需求类别,将划分的10个需求进行具体定义。其次,对用户数据进行爬取、清洗和标注,形成软件分类数据集。通过实验检验TextCNN、BiLSTM＿Attention和BERT对用户评论数据智能分类的效果,将分类结果进行优先级排序。最后,将该方法封装成一种可重用的智能服务供使用者远程调用。实验结果表明：TextCNN模型综合效果最好,在单一指标Precision上,BERT模型效果最好;BERT模型利用并行计算优化训练过程,使其可拓展到大规模项目,在数据量大、精确性要求比较高的情况下,推荐BERT模型;反之,在应对数据小、时限紧的情况时,推荐TextCNN模型。     

智能计算服务的需求获取方法

智能计算服务由服务提供者通过互联网为服务消费者提供数据的分析和处理，并建立学习模型完成智能计算功能。由于服务提供者与服务消费者之间缺乏有效的沟通渠道，以及服务消费者反馈的需求描述模糊、混乱，目前缺乏一种统一的服务需求获取方法对用户持续变化的需求进行有效的分析、组织和规约，导致智能计算服务无法根据用户的需求进行快速改进。针对服务开发中需求变更的持续性和不确定性等问题，提出了一种智能计算服务的需求获取方法。该方法首先从Stack Overflow问答论坛获取智能计算服务的应用反馈和问题，然后根据服务消费者所关注的需求类型采用不同的学习模型（包括支持向量机（SVM）、朴素贝叶斯和TextCNN）对其进行知识分类和优先级排序，最后采用自定义的服务需求模板统一描述智能计算服务的需求。     

智能需求获取与建模研究综述

需求获取和建模是指从需求文本或记录中获取显式和隐式的需求,并通过表格化、图形化、形式化等方法构建相应模型的过程,是软件开发过程中极为关键的一步,为后续系统设计与实现铺平道路,提高软件开发效率和质量,提升软件系统稳定性和可行性.研究者们在需求获取与建模方面获得了一系列研究成果,根据其关注阶段不同,可以将它们分为需求知识提取、需求知识分类和需求模型构建3个方面.鉴于传统方法在知识获取、模型构建的准确性和效率方面一直存在弊端,近年来,越来越多的研究者们将具有广泛应用性的人工智能技术与需求获取、需求分类、需求建模方法相结合,提出了一系列智能需求获取与建模的方法和技术,从而弥补了传统方法的不足.着重从智能需求获取与建模角度着手,对近年来的研究进展进行梳理和总结.主要内容包括:1)统计并分析人工智能技术在需求知识提取、需求知识分类和需求模型构建中使用的方法和技术;2)总结了智能需求获取与建模过程中采用的验证方法和评估方法;3)从科学问题和技术难点2个方面归纳得出目前智能需求获取与建模的关键问题,围绕集成式和动态化模型构建、与其他软件工程活动关联、智能需求知识分类的粒度、数据集构建、评估指标构建和工具支持6部分,阐述了上述问题的可能解决思路和未来发展趋势.