非原子性缺陷的检测方法、电子设备及存储介质技术

本发明专利技术实施方式涉及数据处理领域，公开了一种非原子性缺陷的检测方法、电子设备及存储介质。本发明专利技术中，非原子性缺陷的检测方法包括：将需求语句输入检测模块；其中，所述检测模块为预先训练至收敛的用于判断需求语句是否存在非原子性缺陷的模型，所述检测模块包括迁移学习模型和卷积神经网络模型；根据所述检测模块的输出数据，判断所述需求语句是否存在非原子性缺陷。该实施方式提高了非原子性缺陷检测的准确性。

【技术实现步骤摘要】
非原子性缺陷的检测方法、电子设备及存储介质
本专利技术实施方式涉及数据处理领域，特别涉及一种非原子性缺陷的检测方法、电子设备及存储介质。
技术介绍
在需求分析阶段，提高需求质量具有重要意义，包括：减少缺陷、较早地发现错误、减少改动和标准化的相关成本，以及向利益相关方提供或者请求开发过程中将会涉及到的专业技术知识。与指定格式的结构化需求文档相比，自然语言需求往往更易于理解和使用，但也导致对其提高需求质量的工作相对于结构化需求难度更高。已有许多方法来进行需求缺陷检测，协助人工提高需求文档质量。目前，常见的需求缺陷检测模式主要分为两类，一种是基于给定的需求文档模板或者需求语句规范的；另一种是针对自己定义的需求缺陷类型(或者是特定的某种缺陷)，基于预定义的规则进行检测。然而，目前的检测方法的准确性不高。
技术实现思路
本专利技术实施方式的目的在于提供一种非原子性缺陷的检测方法、电子设备及存储介质，提高了非原子性缺陷检测的准确性。为解决上述技术问题，本专利技术的实施方式提供了一种非原子性缺陷的检测方法，包括以下步骤：将需求语句输入检测模块；其中，检测模块为预先训练至收敛的用于判断需求语句是否存在非原子性缺陷的模型，检测模块包括迁移学习模型和卷积神经网络模型；根据检测模块的输出数据，判断需求语句是否存在非原子性缺陷。本专利技术的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述实施方式提及的非原子性缺陷的检测方法。本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式提及的非原子性缺陷的检测方法。本专利技术实施方式提供的非原子性缺陷的检测方法、电子设备及存储介质，由于迁移学习模型是预训练的模型，可用于提取需求语句的特征。基于深度学习的卷积神经网络根据提取的特征判断需求语句是否存在非原子性缺陷，相对于基于规则检测非原子性缺陷检测的方法，检测结果的准确性更高。另外，在将需求语句输入检测模型之前，非原子性缺陷的检测方法还包括：对初始需求语句进行预处理操作，得到需求语句；预处理操作包括：移除初始需求语句中的数字和/或移除初始需求语句中的标点符号。该例子中，移除需求语句中的数字、标点符号等与非原子性缺陷无关的信息，可以提高了检测模块的检测效果。另外，预处理操作还包括：移除初始需求语句中的单个字符和/或移除初始需求语句中的连续空格。另外，检测模块的输出数据指示需求语句的非原子性缺陷的类型，需求语句的非原子性缺陷的类型包括连词导致的非原子性缺陷和从句嵌套导致的非原子性缺陷。该例子中，对需求语句的非原子性缺陷进行分类，有利于后续研究及解决需求语句的非原子性缺陷。另外，在将需求语句输入检测模块之前，非原子性缺陷的检测方法还包括：获取需求文档；根据预定义的纳入规则，对原始需求文档进行筛选；纳入规则指示保留的需求文档满足预设要求，预设要求包括：需求文档转换为文本格式后需求语句数量大于第一预设值和/或需求文档的拼写错误少于第二预设值；基于筛选后的需求文档，对检测模块进行训练。该例子中，对需求文档进行筛选，使得筛选后的需求文档更贴合训练需求，提高了训练速度。另外，迁移学习模型为基于变换器的双向编码器表示技术BERT模型。该例子中，BERT模型是考虑上下文的双向编码，在进行特征抽取时有着更好的效果。另外，基于筛选后的需求文档，对检测模块进行训练，包括：将筛选后的需求文档输入BERT模型；将BERT模型的输出反馈至卷积神经网络模型，对卷积神经网络模型进行训练。另外，卷积神经网络模型的激活函数包括校正线性单元ReLU函数，卷积神经网络模型的分类层的函数包括Sigmoid函数，卷积神经网络模型的训练过程的损失函数为交叉熵损失函数，卷积神经网络模型的优化算法为自适应矩估计Adam算法。附图说明一个或多个实施方式通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施方式的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是根据本申请的第一实施方式提及的非原子性缺陷的检测方法的流程示意图；图2是根据本申请的第二实施方式提及的非原子性缺陷的检测方法的流程示意图；图3是根据本申请的第三实施方式提及的电子设备的结构示意图。具体实施方式为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施方式的划分是为了描述方便，不应对本专利技术的具体实现方式构成任何限定，各个实施方式在不矛盾的前提下可以相互结合相互引用。本专利技术的第一实施方式涉及一种非原子性缺陷的检测方法，包括以下步骤：将需求语句输入检测模块；其中，检测模块为预先训练至收敛的用于判断需求语句是否存在非原子性缺陷的模型，检测模块包括迁移学习模型和卷积神经网络模型；根据检测模块的输出数据，判断需求语句是否存在非原子性缺陷。该实施方式中，由于迁移学习模型是预训练的模型，可用于提取需求语句的特征。基于深度学习的卷积神经网络根据提取的特征判断需求语句是否存在非原子性缺陷，相对于基于规则检测非原子性缺陷检测的方法，检测结果的准确性更高。下面对本实施方式的非原子性缺陷的检测方法的实现细节进行举例说明。以下内容仅为方便理解而提供的实现细节，并非实施本方案的必须。本实施方式中的非原子性缺陷的检测方法应用于电子设备。其中，电子设备可以是终端、服务器、云端服务器等。如图1所示，非原子性缺陷的检测方法具体包括以下步骤：步骤101：将需求语句输入检测模块。具体地，检测模块为预先训练至收敛的用于判断需求语句是否存在非原子性缺陷的模型，检测模块包括迁移学习模型和卷积神经网络模型。其中，需求语句存在非原子性缺陷是指该需求语句表达了多个需求，不符合需求语句的原子性要求。步骤102：根据检测模块的输出数据，判断需求语句是否存在非原子性缺陷。具体地，电子设备基于检测模块的输出数据，确定需求语句是否存在非原子性缺陷。在一个例子中，检测模块的输出数据指示需求语句是否存在非原子性缺陷。例如，若需求语句存在非原子性缺陷，则检测模块的输出数据为指定的第一字符串，若需求语句不存在非原子性缺陷，则检测模块的输出数据为指定的第二字符串。其中，第一字符串可以是“是”、“1”、“存在”等，第二字符串可以是“否”、“0”、“不存在”等。在另一个例子中，检测模块的输出数据指示需求语句的非原子性缺陷的类型，需求语句的非原子性缺陷的类型包括连词导致的非原子性本文档来自技高网...

【技术保护点】
1.一种非原子性缺陷的检测方法，其特征在于，包括：/n将需求语句输入检测模块；其中，所述检测模块为预先训练至收敛的用于判断需求语句是否存在非原子性缺陷的模型，所述检测模块包括迁移学习模型和卷积神经网络模型；/n根据所述检测模块的输出数据，判断所述需求语句是否存在非原子性缺陷。/n

【技术特征摘要】
1.一种非原子性缺陷的检测方法，其特征在于，包括：
将需求语句输入检测模块；其中，所述检测模块为预先训练至收敛的用于判断需求语句是否存在非原子性缺陷的模型，所述检测模块包括迁移学习模型和卷积神经网络模型；
根据所述检测模块的输出数据，判断所述需求语句是否存在非原子性缺陷。


2.根据权利要求1所述的非原子性缺陷的检测方法，其特征在于，在所述将需求语句输入检测模型之前，所述非原子性缺陷的检测方法还包括：
对初始需求语句进行预处理操作，得到所述需求语句；所述预处理操作包括：移除所述初始需求语句中的数字和/或移除所述初始需求语句中的标点符号。


3.根据权利要求2所述的非原子性缺陷的检测方法，其特征在于，所述预处理操作还包括：移除所述初始需求语句中的单个字符和/或移除所述初始需求语句中的连续空格。


4.根据权利要求1所述的非原子性缺陷的检测方法，其特征在于，所述检测模块的输出数据指示所述需求语句的非原子性缺陷的类型，所述需求语句的非原子性缺陷的类型包括连词导致的非原子性缺陷和从句嵌套导致的非原子性缺陷。


5.根据权利要求1至4中任一项所述的非原子性缺陷的检测方法，其特征在于，在所述将需求语句输入检测模块之前，所述非原子性缺陷的检测方法还包括：
获取需求文档；
根据预定义的纳入规则，对原始需求文档进行筛选；所述纳入规则指示保留的需求文档满足预设要求，所述预设要求包括：需求文档转换为文本格式后需求语句数量大于...

【专利技术属性】
技术研发人员：张平，邵俊，朱玉屏，申岳，蔡一涵，杨卫东，
申请(专利权)人：中国民用航空上海航空器适航审定中心，上海复佳信息科技有限公司，
类型：发明
国别省市：上海;31