توضیحات
Domain modeling is an important step in the transition from
natural-language requirements to precise specifications. For
large systems, building a domain model manually is a laborious
task. Several approaches exist to assist engineers with
this task, whereby candidate domain model elements are
automatically extracted using Natural Language Processing
(NLP). Despite the existing work on domain model extraction,
important facets remain under-explored: (1) there is
limited empirical evidence about the usefulness of existing
extraction rules (heuristics) when applied in industrial settings;
(2) existing extraction rules do not adequately exploit
the natural-language dependencies detected by modern NLP
technologies; and (3) an important class of rules developed
by the information retrieval community for information extraction
remains unutilized for building domain models.
Motivated by addressing the above limitations, we develop
a domain model extractor by bringing together existing extraction
rules in the software engineering literature, extending
these rules with complementary rules from the information
retrieval literature, and proposing new rules to better
exploit results obtained from modern NLP dependency
parsers. We apply our model extractor to four industrial
requirements documents, reporting on the frequency of different
extraction rules being applied. We conduct an expert
study over one of these documents, investigating the accuracy
and overall effectiveness of our domain model extractor.
————————————————————–
ترجمه ماشینی :
مدلسازی دامنه یک گام مهم در انتقال از الزامات زبان طبیعی به مشخصات دقیق است. برای سیستم های بزرگ، ساخت یک مدل دامنه به صورت دستی یک کار پر زحمت است. چندین رویکرد برای کمک به مهندسان در انجام این کار وجود دارد که به موجب آن عناصر مدل دامنه نامزد به طور خودکار با استفاده از پردازش زبان طبیعی (NLP) استخراج می شوند. علیرغم کار موجود در استخراج مدل دامنه، جنبههای مهم هنوز مورد بررسی قرار نگرفته است: (1) شواهد تجربی محدودی در مورد سودمندی قوانین استخراج موجود (اکتشافی) وجود دارد که در محیطهای صنعتی به کار میروند. (2) قوانین استخراج موجود به اندازه کافی از وابستگی های زبان طبیعی شناسایی شده توسط فناوری های مدرن NLP استفاده نمی کنند. و (3) یک دسته مهم از قوانین توسعه یافته توسط جامعه بازیابی اطلاعات برای استخراج اطلاعات برای ساخت مدل های دامنه استفاده نشده باقی می ماند. با توجه به محدودیتهای بالا، ما یک استخراجکننده مدل دامنه را با کنار هم قرار دادن قوانین استخراج موجود در ادبیات مهندسی نرمافزار توسعه میدهیم، این قوانین را با قوانین مکمل از ادبیات بازیابی اطلاعات گسترش میدهیم، و قوانین جدیدی را برای بهرهبرداری بهتر پیشنهاد میکنیم. نتایج بهدستآمده از تجزیهکنندههای وابستگی NLP مدرن. ما استخراج کننده مدل خود را در چهار سند مورد نیاز صنعتی اعمال می کنیم و تعداد دفعات مختلف قوانین استخراج را گزارش می کنیم. ما یک مطالعه تخصصی بر روی یکی از این اسناد انجام می دهیم و دقت و اثربخشی کلی استخراج کننده مدل دامنه خود را بررسی می کنیم.
tag : دانلود کتاب استخراج مدلهای دامنه از الزامات زبان طبیعی: رویکرد و ارزیابی صنعتی , Download استخراج مدلهای دامنه از الزامات زبان طبیعی: رویکرد و ارزیابی صنعتی , دانلود استخراج مدلهای دامنه از الزامات زبان طبیعی: رویکرد و ارزیابی صنعتی , Download Extracting Domain Models from Natural-Language Requirements: Approach and Industrial Evaluation Book , استخراج مدلهای دامنه از الزامات زبان طبیعی: رویکرد و ارزیابی صنعتی دانلود , buy استخراج مدلهای دامنه از الزامات زبان طبیعی: رویکرد و ارزیابی صنعتی , خرید کتاب استخراج مدلهای دامنه از الزامات زبان طبیعی: رویکرد و ارزیابی صنعتی , دانلود کتاب Extracting Domain Models from Natural-Language Requirements: Approach and Industrial Evaluation , کتاب Extracting Domain Models from Natural-Language Requirements: Approach and Industrial Evaluation , دانلود Extracting Domain Models from Natural-Language Requirements: Approach and Industrial Evaluation , خرید Extracting Domain Models from Natural-Language Requirements: Approach and Industrial Evaluation , خرید کتاب Extracting Domain Models from Natural-Language Requirements: Approach and Industrial Evaluation ,

دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.