Identifying Non-Functional Requirements from Unconstrained Documents Using Natural Language Processing and Machine Learning Approach
| العنوان بلغة أخرى: |
تحديد المتطلبات غير الوظيفية في الوثائق غير المقيدة باستخدام نهج معالجة اللغة الطبيعية والتعلم الآلي |
|---|---|
| المؤلف الرئيسي: | Sharida, Qais Gafer (Author) |
| مؤلفين آخرين: | Hanani, Abualsoud (Advisor) |
| التاريخ الميلادي: |
2020
|
| موقع: | بيرزيت |
| الصفحات: | 1 - 94 |
| رقم MD: | 1248785 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة بيرزيت |
| الكلية: | كلية الهندسة |
| الدولة: | فلسطين |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
2
| المستخلص: |
هندسة المتطلبات، هي المرحلة الأولى في دورة حياة تطوير البرمجيات. وتلعب واحد من أهم الأدوار وأكثرها حساسية في مشاريع البرمجيات، حيث تعتمد عليها جميع المراحل اللاحقة. عادة ما يتم توثيق متطلبات البرنامج في نموذج يسمى وثيقة المتطلبات. تحتوي بشكل أساسي على كل من المتطلبات الوظيفية والمتطلبات غير الوظيفية. تعد المتطلبات الغير وظيفية مهمة للغاية لوصف خصائص وقيود النظام. التعرف المبكر عليها مهم وله تأثير مباشر على بنية النظام وقرار التصميم الأولي في مراحله الأولى. عمليا، يتم استخراج المتطلبات الغير وظيفية يدويا من وثيقة المتطلبات. هذا يجعلها مهمة مضنية ومضيعة للوقت، وعرضة لكثير من الأخطاء المختلفة. في الأدبيات السابقة، هناك العديد من الدراسات التي اعتمدت نهج التعلم الآلي التقليدي لتصنيف المتطلبات الغير وظيفية. ومع ذلك، فإن معظم الأساليب لا تحقق في تقنيات استخراج الميزات لعبارات المتطلبات في مستندات المتطلبات الغير منظمة. في هذه الأطروحة اقترحنا نهجا آليا لتحديد وتصنيف المتطلبات الغير وظيفية من المستندات غير المنظمة باستخدام التحليل الدلالي والنحوي مع مناهج التعلم الآلي. استخدمنا مجموعة وثائق المتطلبات العامة (PURE) التي تتكون من 79 وثيقة متطلبات غير منظمة بأشكال مختلفة. في نهجنا، نستخلص الميزات من جمل المتطلبات باستخدام أربع طرق مختلفة في البرمجة اللغوية العصبية تشمل والتحليل الدلالي الأحدث الذي تقدمه جوجل من خلال نموذج (BERT). واعتمدنا خوارزميات تعلم الالة لتصنيف المتطلبات الغير وظيفية من خلال: المصنف البايزي الساذج (NB)، آلة المتجهات الداعمة (SVM)، والانحدار اللوجستي (LR)، بالإضافة إلى نهج التعلم العميق في الشبكات العصبونية الالتفافية (CNN). تشير نتائجنا إلى أن نموذج الشبكات العصبونية الالتفافية يمكن أن يصنف الاحتياجات الغير وظيفية بكفاءة من خلال تحقيق دقة ما بين 84% و87% باستخدام طريقة المتجه الإحصائي، وتحقيق الدقة بين 88 %إلى 92% باستخدام طرق الدمج الدلالي. علاوة على ذلك، اقترحنا نموذج الانصهار لدمج جميع طرق البرمجة اللغوية العصبية في نموذج واحد مع مصنف الشبكات العصبونية الالتفافية. حقق نموذج الاندماج دقة تصنيف بنسبة 94 %، مع تحسن بنسبة 2.4 %عن أفضل مصنف فردي. |
|---|
عناصر مشابهة
-
Automatic Cancer Lymph Nodes Detection and Diagnose from Pelvic Ct-Scan Images Using Machine Learning Approache
بواسطة: Jaradat, Marwa منشور: (2020) -
Sentiment Analysis Using Hybrid Machine Learning Method
بواسطة: حسونة، محمد أحمد علي منشور: (2017) -
Sentiment Analysis for Arabic Call Center Notes Using Machine Learning Techniques: A Case Study of Jordanian Dialect
بواسطة: الفار، حمزة عصام منشور: (2021) -
A Machine Learning Model Using Feature Selection for Sentiment Analysis in Arabic Language
بواسطة: الواكد، مؤيد أحمد منشور: (2020) -
Predicting Small and Medium Companies' Failure: Comparison between Machine Learning Tools by Using Financial Ratios for UK Service Sector
بواسطة: النوايسة، لجين خلف علي منشور: (2022)
