论文部分内容阅读
随着Internet和Web服务相关技术的快速发展,互联网上存在大量相似功能的移动App软件,许多App软件的结构复杂性也不断增加,App评论数目众多且不断增长,并且基于互联网的App开发越来越受到软件从业者的青睐。与传统复杂软件系统开发一样,App软件开发也始于需求收集任务,需求获取的质量和关键特征的优先开发对于App的成功具有重要作用。特征指的是一个软件需求文档规定或隐喻的软件特点,是一组紧密相关的需求集合。因此,软件的特征获取与优先级排序将有助于软件需求获取与优先级排序。选择合适的软件特征获取技术不仅可以缓解软件需求规约文档遗漏软件需求带来的问题,而且可以满足已有App软件的演化需求。另外,在给定开发成本和开发时间的条件约束下,从特征模型结构复杂性角度对软件特征的优先级进行排序可以提高软件开发的成功率。因此,开展面向特征的App需求自动获取与优先级排序研究对于互联网上App需求分析工作具有重要的指导意义。本研究以基于互联网的App开发为对象,研究如何从众多相似App的特征描述中获取待开发App的缺失特征以提高需求完备性,如何从特征模型结构复杂性角度考虑特征的优先级排序以识别出关键特征进行优先开发,以及如何从众多的App评论中提取特征请求以促进App软件的演化。具体而言,本文的研究内容主要包括以下三个部分：(1)基于特征模型和协同过滤的软件特征获取针对基于互联网的App软件需要满足大量地理位置各异、类型不同的用户需求,而开发方又面临需求获取中的需求遗漏等问题,提出了一种基于特征模型和协同过滤的软件特征获取方法。该方法充分利用网络上大量存在的相似功能的’软件特征描述,首先详细分析众多历史软件特征之间存在的各种关系,利用这些关系补充一部分缺失特征；然后采用KNN (k-Nearest Neighbor)协同过滤推荐算法来预测待开发App是否拥有其它缺失的特征。(2)基于概率网络节点中心性的特征优先级排序在给定的开发成本与开发时间等条件约束下,针对如何从大量获取的特征中选择关键特征进行优先开发等问题,提出一种基于概率网络节点中心性的特征优先级排序方法。该方法利用特征模型中各个特征之间的关联关系构建一个特征概率网络,计算该特征概率网络中的节点中心性值,在节点中心性值的基础上得到特征模型中的各个特征的优先级排序关系。(3)App评论分类及特征请求提取针对如何从海量的App评论中挖掘出对App软件改进或演化有用信息的问题,提出了一种App评论分类及特征请求提取方法。该方法首先重点分析了App评论中能够用作分类的各种属性及其定量描述,并且讨论了不同分类器在这些分类属性下的分类性能；然后利用LDA (Latent Dirichlet Allocation)文档模型对特征请求评论进行聚类分组；最后利用Stanford Parser提取期望的短语作为特征请求。在上述三个方法研究的基础上,开发了面向特征的App需求获取与优先级排序分析工具。对App特征获取与优先级排序分析工具的总体结构和实现功能进行了简单的介绍,并对模拟的Wiki领域软件特征获取与优先级排序示例进行了简要的展示和分析操作。