Loading...
机构名称:
¥ 1.0

摘要 - 域模型在软件开发中起着至关重要的作用,因为它们为利益相关者之间的沟通,提出要求以及代表数据库方案背后的信息结构或以模型驱动的开发为基础。但是,创建这样的模型是一种乏味的活动,自动化支持可能有助于获得初始领域模型,以后可以由人类分析师富集。在本文中,我们提出了从给定的一组用户故事中得出域模型的各种方法的有效性的实验比较。我们将人类推导与机器推导对比;对于后者,我们比较(i)视觉叙述者:现有的基于规则的NLP方法; (ii)我们设计的机器学习分类器; (iii)我们通过及时工程构建的生成AI方法。基于由9个用户故事和相应域模型的基准数据集组成的基准数据集,评估表明,尽管机器学习方法的调整版本接近,但没有方法与人类的性能相匹配。为了更好地理解结果,我们定性分析它们并确定误报类型以及影响性能的其他因素的差异。

从用户故事中得出域模型:人与机器

从用户故事中得出域模型:人与机器PDF文件第1页

从用户故事中得出域模型:人与机器PDF文件第2页

从用户故事中得出域模型:人与机器PDF文件第3页

从用户故事中得出域模型:人与机器PDF文件第4页

从用户故事中得出域模型:人与机器PDF文件第5页

相关文件推荐

2025 年
¥1.0
2013 年
¥15.0
1900 年
¥1.0
2024 年
¥3.0
2024 年
¥2.0
2024 年
¥1.0
2020 年
¥3.0
2020 年
¥1.0
2023 年
¥1.0
2017 年
¥2.0
2021 年
¥4.0
2020 年
¥5.0
2022 年
¥1.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥3.0
2020 年
¥25.0
2019 年
¥15.0
2021 年
¥1.0
2024 年
¥2.0
2021 年
¥2.0
2020 年
¥4.0
2024 年
¥10.0