一种增量式需求跟踪性链接恢复方法技术

本发明专利技术涉及软件开发技术领域，具体涉及一种增量式需求跟踪性链接恢复方法，基于深度学习技术和GPT网络对原始需求文档进行动态生成，得到伪数据；对所述伪数据加以权重，得到二次伪数据；将所述二次伪数据和真实数据一起送入需求跟踪链接恢复分类器进行模型训练，得到分类器初始状态，该方法相较于传统的信息检索方法，具备更高的恢复准确性和泛化性，同时相比较于采用端到端训练的深度学习方法，该方法采用数据增强和增量训练的方式，对数据集规模要求低，更容易在落地实现，解决现有跟踪性链接恢复方法准确率还是较低的问题。接恢复方法准确率还是较低的问题。接恢复方法准确率还是较低的问题。

【技术实现步骤摘要】
一种增量式需求跟踪性链接恢复方法


[0001]本专利技术涉及软件开发
，尤其涉及一种增量式需求跟踪性链接恢复方法。

技术介绍

[0002]跟踪能力链是指一对软件制品之间的特定关系，其中一个制品为源制品，另一个制品为目标制品，它记录了制品之间存在的各种依赖性、影响、因果关系等，方向可以为单向也可以为双向，链的方向仅作为时间顺序或因果关系的指示，通常可以在两个方向上同时建立跟踪能力链。
[0003]目前大部分软件跟踪的研究集中在跟踪能力链，这主要是因为制品之间的各种跟踪能力链有助于软件开发人员理解、高效开发和有效管理系统。
[0004]现有跟踪性链接恢复方法，基于约束的修剪来恢复跟踪链接(ConPOS)，ConPOS使用主要的POS(Parts Of Speech)类别，并将约束应用于恢复的跟踪链接以作为过滤过程进行修剪，用于提高基于IR的技术的有效性，它集成了CLM与词性标注方法，ConPOS首先标记需求的所有位置，分别使用VSM和Jensen
‑
Shannon模型两种IR技术恢复给定需求和代码文件之间的跟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增量式需求跟踪性链接恢复方法，其特征在于，包括以下步骤：基于深度学习技术和GPT网络对原始需求文档进行动态生成，得到伪数据；对所述伪数据加以权重，得到二次伪数据；将所述二次伪数据和真实数据一起送入需求跟踪链接恢复分类器进行模型训练，得到分类器初始状态。2.如权利要求1所述的一种增量式需求跟踪性链接恢复方法，其特征在于，所述需求跟踪性链接恢复分类器采用预训练的BERT网络。3.如权利要求1所述的一种增量式需求跟踪性链接恢复方法，其特征在于，所述需求跟踪链接恢复分类器进行模型训练时，用户可以提供或者不提供数据集进行训练，只在模型初始阶段提供数据集用于训练模型。4.如权利要求1所述的一种增量式需求跟踪性链接恢复方法，其特征在于，所述将所述二次伪数据和真实数据一起送入需求跟踪链接恢复分类器进行模型训练，得到分类器初始状态的具体方式：将所述二次伪数据和真实数据一起送入需求跟踪链接恢复分...

【专利技术属性】
技术研发人员：彭涛，佘堃，于钥，刘书舟，陈建谟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：