抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ソフトウェア要求トレーサビリティリンクは,要求が変化するとき,効果的なシステム進化のための必須の手段として広く認識されてきた。しかし,トレーサビリティリンクの作成と維持は,特に時間圧力に直面した場合,実際には容易なタスクではない。したがって,自動で正確なトレーサビリティリンク回復アプローチが必要である。既存の方法は,通常,情報検索モデルによってトレーサビリティリンクを復元し,ソフトウェアアーチファクト間のテキスト類似性を計算する。テキスト類似性はソフトウェアアーチファクトを相関させる上で本質的な役割を果たすが,ソフトウェアアーチファクトのコンテキストもソフトウェアアーチファクト間のトレーサビリティリンクを確立するための重要な手がかりを与えると主張する。例えば,各ソフトウェア利用事例に対して,その包含/拡張使用事例は,そのコンテキスト情報として見られ,使用事例を包括的にプロファイリングするのに寄与する。ソフトウェアアーチファクトの収集は,様々な明示的関係を通してグラフ構造としてモデル化できる。記述-アンサンブル知識表現学習(DKRL)[2]は広く受け入れられる方法であり,それはエンティティの明示的関係と記述情報の構造的情報を効果的に捉えることができる。そのようなグラフを効果的かつ正確に埋め込むことにより,コンテキスト情報は著しく表現され,要求トレーサビリティリンクの同定に寄与する。本論文では,DKRLに基づく使用事例とコード間の要求トレーサビリティリンクを回復するために,追跡可能リンク回復-知識表現学習(TLR-KRL)を提案した。本研究は,ソフトウェア工学と知識工学に関する32の国際会議で受け入れられている。TLR-KRLは,テキスト情報と構造関係を埋め込むことにより,ソフトウェアアーチファクトを包括的に特徴付けることができ,その概要を図1で示す。特に,DKRLモデルを拡張し,その負のサンプリング法を改善し,従って元のDKRLモデルによって生成された偽陰性サンプルを最小化するための系統的プロセスに従う。そのような方法で,ソフトウェアアーチファクトのより正確な埋込みを得ることができる。次に,そのような意味のある埋込みを用いて,教師つき機械学習アルゴリズムを用いてトレーサビリティリンク分類器を訓練した。分類器から得られたすべてのトレーサビリティリンク候補は,より正しいトレーサビリティリンクを検索するために三重分類を用いてさらにスクリーニングされる。提案手法の有効性を検証するために,eTour,EAnci,Clinic,ITrustを含む4つのデータセットについて実験を行った。データセットのそれぞれに関する評価結果は,著者らのアプローチが既存の研究より優れていることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
