用户评论中非功能需求的自动分类

摘要

近年来，各大主流移动应用程序商店（如苹果应用商店）取得了巨大的成功，全球各地的用户每天都会下载和使用数百万个移动应用。在这样的平台中发布的移动应用拥有来自世界各地的数百万潜在客户。但对于移动应用开发者而言，将应用程序发布到应用程序商店只是应用程序生命周期的开始。实际上，开发人员面临着不断提高应用程序质量的压力，为了与同类移动应用竞争，开发人员需要不断改进他们的应用程序。一方面可以通过软件测试来发现故障并及时修复。但软件测试不仅需要投入大量人力，而且很难实现数百万用户在不同环境和异构移动设备上直接使用应用程序。另一方面开发者也可以通过执行调查来获取移动应用用户的反馈，获得关于如何优化应用程序以满足用户需求的意见或建议。除上述两种方式外，移动应用商店中存在丰富的用户反馈信息:用户评论。然而人工阅读每条用户评论，并验证其是否包含有用的信息（例如对新功能的建议）对每天收到大量评论的移动应用来说会消耗相当的人力资源。从软件工程的角度，需求的获取和分析对软件成败有至关重要的作用。需求一般分为功能需求和非功能需求。其中，非功能需求对于软件项目成败和用户对软件质量是否满意起到决定性作用，对非功能需求处理不当也会导致软件开发的人力、时间和成本增加。 针对以上问题，本文从非功能需求角度出发对移动应用用户评论进行自动分类，将用户评论分为六类，分别是可靠性、可用性、可移植性、性能效率、功能需求和其他。本文提出了一种利用上下文文本语义增强用户评论的方法AUR-BoW（Augmented User Reviews），以提升用户评论中非功能需求分类的性能。首先使用Word2Vec计算单词间的相似度，然后计算单词与用户评论的相似度，最后选择与用户评论相似度高的单词扩充用户评论。为了评价所提出方法的有效性，本文选择了苹果应用商店中的iBooks和谷歌应用商店中的WhatsApp的用户评论作为实验数据集，对比了四种分类技术BoW、TF-IDF、chi2、AUR-BoW（即本文提出的方法）与三种机器学习算法Naive Bayes、J48、Bagging组成的十二种组合方法的分类性能。实验过程中，首先对用户评论进行预处理，然后使用分类技术将用户评论特征化，随后使用机器学习算法构建分类模型，最后将用户评论分为六类中的一类。实验结果显示AUR-BoW是四种分类技术中分类性能最好的，其与Bagging算法组合时，分类结果的F-measure值最高(0.718)。实验结果表明利用上下文语义信息增强用户评论有助于提升用户评论中非功能需求的自动分类性能。

目录

声明

摘要

1绪论

1．1研究背景和目的

1．2研究现状

1．3研究内容

1．4论文结构

2相关理论和技术

2．1分类技术

2．1．1 BoW

2．1．2 TF-IDF

2．1．3 chi2

2．2词向量Word2Vec

2．3监督式机器学习

2．4移动应用的用户评论研究

2．4．1用户评论有用性分析

2．4．2用户评论概要

2．4．3用户评论特征识别

2．4．4用户评论分类

2．4．5用户评论情感分析

2．5本章小结

3用户评论类型与分类方法

3．1用户评论的类型

3．2分类技术在用户评论分类中的作用

3．2．1 BoW在用户评论分类中的作用

3．2．2 TF-IDF在用户评论分类中的作用

3．2．3 chi2在用户评论分类中的作用

3．3基于词向量Word2Vec增强用户评论

3．4用户评论分类方法

3．5本章小结

4用户评论自动分类工具

4．1用户评论中非功能需求分类工具NFRfRe

4．2用户评论收集

4．3用户评论分类模型的详细设计

4．3．1用户评论预处理

4．3．2用户评论特征化

4．3．3训练分类模型

4．4 NFRfRe工具的参数确定

4．4．1 chi2中δ的确定

4．4．2 AUR-BoW中θ的确定

4．5使用NFRfRe工具标记的过程

4．6本章小结

5实验案例

5．1案例介绍

5．2实验数据构建及分类方法性能评价

5．2．1实验数据采集

5．2．2用户评论中非功能需求分类方法的性能评价

5．3分类结果性能评价参数

5．4用户评论分类结果

5．4．1分类技术对比

5．4．2机器学习算法对比

5．4．3不同用户评论类别的分类结果

5．5本章小结

6用户评论自动分类方法的适用性与局限性

6．1用户评论中非功能需求分类方法的适用范围

6．2影响非功能需求分类结果有效性的主要因素

6．3用户评论中非功能需求分类方法的局限性

6．4本章小结

7本文总结和展望

7．1论文工作总结

7．2研究展望

参考文献

附录

已发表论文清单

参与的科研项目

致谢