[发明专利]一种面向模式的非功能需求知识精化方法

说明书

本发明公开了一种面向模式的非功能需求知识精化方法，涉及需求工程和知识图谱精化领域，其特征在于，通过将建立的非功能需求知识图谱进行扩展得到具有模式集的四元组集，读取所述四元组集进行预处理并初始化实体、关系和模式的表示向量，利用投影矩阵把实体和关系的向量投影到模式空间得到评分函数，同时检测非功能需求知识图谱中的层次结构计算获得层次约束间距，再结合评分函数获得损失函数，采用随梯度下降法对知识图谱嵌入向量进行优化训练得到表示向量，根据表示向量和评分函数进行知识补全和知识查错。本发明在知识图谱中增加了模式，并引入层次结构进行优化，提高了知识精化的质量，确保了重用知识的正确性和完整性。

技术领域

本发明涉及需求工程和知识图谱精化领域，特别涉及一种面向模式的非功能需求知识精化方法。

背景技术

在大数据环境下，软件非功能需求知识关联分布在大规模、多源、异构、多模态及持续增长的数据源中，为了将这些非功能需求知识相关的信息组织起来，并建立关联关系，使之成为可以被利用的知识，我们构建非功能需求知识图谱。另外，非功能需求相较于功能需求，具有更好的可重用性，例如：金融领域和教育领域都需要考虑安全性，应用在金融领域时，安全性的实现可以是对金融信息进行加密，对人员进行授权；应用在教育领域时，部分教育信息也包含敏感信息，可以对其进行加密，同样需要人员授权。因此，非功能需求知识图谱的构建需要保证其有利于支持非功能需求知识的重用，本发明将模式引入知识图谱，基于模式提供非功能需求知识重用能力。

由于知识图谱通常会面临着知识缺失和知识错误的问题，知识精化的提出可以实现知识补全和知识查错，它在已给定知识图谱的情况下，解决知识缺失和错误的问题。知识图谱嵌入是一种常用的知识精化方法，其核心思想是将知识图谱的实体和关系嵌入到低维连续向量空间中，在保留知识图谱本身结构的同时，通过学习实体和关系的向量化表示来对知识图谱进行补全和查错，因此，本发明提出一种基于嵌入方法的非功能需求知识精化方法。此外，由于非功能需求知识实体之间具有大量的层次关系，利用此层次结构对知识图谱的嵌入过程进行优化，可以提高非功能需求知识精化质量。

发明内容

针对现有技术中存在的问题，本发明提供了一种面向模式的非功能需求知识精化方法，通过将非功能知识图谱增加了一个模式进行扩展得到四元组，将四元组的实体和关系投影到实体空间获得评分函数，通过评分函数计算四元组向量的评分值，根据评分结果进行知识补全和知识查错，同时进行知识图谱的层次结构检测，获得层次关系，根据具有层次关系的关系集获得最优层次约束间距，根据最优层次约束间距和评分函数获得损失函数并采用随机梯度下降法对知识图谱嵌入向量进行优化训练。使非功能需求知识图谱嵌入模型有效利用模式和层次结构信息，提高了知识精化的质量。

同时还通过评分函数对所述非功能知识图谱进行了知识补全和知识查错保证了知识重用的正确性和完整性。

本发明提供了一种面向模式的非功能需求知识精化方法，具体技术方案如下：

知识图谱的扩展，将构建好的非功能需求知识图谱进行扩展增加一个模式；

知识数据的预处理，对扩展后的到的知识数据进行预处理获得表示向量；

向量的投影，利用投影矩阵把实体和关系向量投影到模式空间中，根据模式空间中的投影向量间的距离运算得到评分函数；

层次结构检测，检测非功能知识图谱中实体与关系的其它层次结构，根据获得的层次关系计算得到最优层次约束间距；

模型的优化，结合评分函数和层次约束间距得出损失函数，根据得到的损失函数采用随机梯度下降算法优化非功能需求知识图谱的向量表示；

知识补全和知识查错，通过评分函数得出知识图谱四元组向量的评分值，并根据评分值结果进行知识补全和知识查错；

进一步的，所述知识图谱的扩展，增加一个模式将传统三元组(h，r，t)扩展为四元组(h，r，t，p)，扩展过程如下所示：