تصنيف متطلبات البرمجيات باستخدام التعلم العميق

الباحث

عبدالرحمن مصطفى علي

المشرف

ندى نعمت سليم

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / البرمجيات

الشهادة

ماجستير

السنة

2023

لغة الرسالة

عربي

الكلمات المفتاحية

متطلبات البرمجيات ; التعلم العميق ; الشبكات العصبية الالتفافية ; معالجة اللغات الطبيعية

تعتبر هندسة المتطلبات اول واهم مرحلة في تطوير وبناء البرمجيات, اذ تهدف الى البرمجيات كمتطلبات وظيفية ومتطلبات غير وظيفية Gilly يساهم في تنظيم ودقة متطلبات البرمجيات واكمال النظام بشكل صحيح, تحدد المتطلبات الوظيفية مسؤولية ووظيفة النظام بينما تمثل المتطلبات غير الوظيفية alge جودة البرمجيات, والتمييز بين هذه الفئات يمثل احد التحديات التي ترام مهندسو البرمجيات, عادة ما يتم كتابة ووصف المتطلبات باستخدام اللغات الطبيعية وهذا قد يتسبب في ظهور العديد من العيوب والمشاكل نتيجة الغموض والتناقض في يهدف البحث الى بناء نظام مقترح لتصنيف متطلبات البرمجيات آليا باستخدام تقنيات وميزات التعلم العميق الى اصنافها الوظيفية والغير الوظيفية بفئاتها لمساعدة مهندسي البرمجيات في اختيار فئة او صنف المتطلب. يتم من خلاله تصنيف المتطلبات الى المتطلبات الوظيفية والمتطلبات غير الوظيفية, اما النموذج الثاني فهو نموذج التصنيف المتعدد يتم خلاله تصنيف متطلبات البرمجيات الى المتطلبات الوظيفية وعشر فئات من المتطلبات غير الوظيفية . تم cla النموذجين المقترحين باستخدام تقنيات وميزات الشبكات العصبية التلافيفية(/االا)) Convolutional Neural Networks وتمثيل وتضمين النصوص باستخدام نموذج word2vec بعد معالجتها باستخدام تقنيات معالجة اللغات الطبيعية, واستخلاص الصفات والميزات المهمة. متطلبات البرمجيات المكتوبة باستخدام اللغات الطبيعية والممثلة بصيغة نصية, حيث تم الحصول على )1271( متطلبا مقسما الى (11) فئة. تم تقسيم البيانات الى )%90( للتدريب و( %10( للاختبار والتأكد من صحة المتعدد( 9097.62).

Functional requirements define the responsibility and function of the system, while non-functional requirements represent software quality factors, distinguishing between these classes is one of the challenges facing software engineers. Requirements are usually written and described using natural languages, and this may cause many defects and problems to appear as a result of ambiguity and contradiction in the use of different descriptions of the same requirement and the lack of a regular structure. Intelligent technologies, especially machine learning and deep learning, have been used in scientific and engineering fields, and this has led to increased accuracy and reduced time, effort, and cost in all operations and various fields of application. The research aims to build a proposed system automatically classify software requirements using deep learning techniques and features into functional and non-functional Classes in order to help software engineers choose a Class or Classes of requirement. The proposed system consists of two models, the binary classification model, through which requirements are classified into functional requirements and non-functional requirements. And the Multiple Classification Model, through which software requirements are classified into functional requirements and ten categories of non-functional requirements. The two proposed models were built using the techniques and features of Convolutional Neural Networks (CNN) and text representation and embedding using the (word2vec) model after processing it using natural language processing techniques, and extracting important characteristics and properties. The proposed system models were applied and implemented on the dataset developed in the research resulting from the merger of the PROMISE dataset and the nfr dataset, which represents the requirements for programs written using natural languages and represented in text. appearance. Where (1271) requirements were obtained, divided into (11) chapters. The data was divided into (90%) for training and (10%) for testing and ensuring the validity of the model. The training accuracy of the binary classification model was achieved (99.44%) and the accuracy of the multiple classification model was (96.25%). As for the accuracy of the test, it reached (98%) in the binary classification model and (97.62%) in the multiple classification model. The results obtained showed the accuracy and completion of the proposed models using CNN deep learning architecture with the word2vec method, as they achieved the required results and were efficient and able to successfully classify script requirements with higher accuracy than previous research.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب