CN111523322A - 需求文档质量评价模型训练方法及需求文档质量评价方法 - Google Patents
需求文档质量评价模型训练方法及需求文档质量评价方法 Download PDFInfo
- Publication number
- CN111523322A CN111523322A CN202010335874.8A CN202010335874A CN111523322A CN 111523322 A CN111523322 A CN 111523322A CN 202010335874 A CN202010335874 A CN 202010335874A CN 111523322 A CN111523322 A CN 111523322A
- Authority
- CN
- China
- Prior art keywords
- document
- quality
- quality score
- demand
- evaluated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011022 operating instruction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种需求文档质量评价模型训练方法及需求文档质量评价方法。该方法包括:获取样本需求文档以及样本需求文档所包括的各评价项对应的质量评分;提取样本需求文档的特征词;将样本需求文档、评价项以及特征词作为输入,将样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。基于需求文档质量评价模型获取待评价需求文档的第一质量评分,并获取待评价需求文档的人工质量评分,通过将质量评价模型获得的质量评分与人工质量评分相结合,确定待评价需求文档的最终质量评分,基于本方案,能够保证对需求文档评价的准确性与一致性,有效地为后续基于需求文档进行的软件产品开发提供基础。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种需求文档质量评价模型训练方法及需求文档质量评价方法。
背景技术
产品需求文档是由需求分析人员基于对软件产品的功能的研发编写的,对指导软件产品的后续开发有着重要意义。
现有技术中,多由人工对产品需求文档进行评价,但由于评价者对需求文档的理解存在差异,导致不同的评价者给出的评价结果可能差异较大,影响对产品需求文档的正常评价。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一。本申请所采用的技术方案如下:
第一方面,本申请实施例提供了一种需求文档质量评价模型的训练方法,该方法包括:
获取样本需求文档以及样本需求文档所包括的各评价项对应的质量评分;
提取样本需求文档的特征词;
将样本需求文档、评价项以及特征词作为输入,将样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。
可选地,提取样本需求文档的特征词,包括:
对样本需求文档中的文本进行切词处理;
对切词结果进行聚类处理,确定样本需求文档的特征词。
第二方面,本申请实施例提供了一种需求文档质量评价方法,该方法包括:
获取待评价需求文档;
基于预训练的需求文档质量评价模型,确定待评价需求文档的第一质量评分;
获取待评价需求文档的人工质量评分;
基于第一质量评分以及人工质量评分,确定待评价需求文档的第二质量评分。
可选地,基于预训练的需求文档质量评价模型,确定待评价需求文档的第一质量评分,包括:
确定待评价需求文档的特征词;
将待评价需求文档的特征词以及评价需求文档的评价项作为预训练的需求文档质量评价模型的输入,将需求文档质量评价模型的输出确定为第一质量评分。
可选地,基于第一质量评分以及人工质量评分,确定待评价需求文档的第二质量评分,包括:
基于第一质量评分以及第一质量评分对应的第一预设权重,并基于人工质量评分以及人工质量评分对应的第二预设权重,确定待评价需求文档的第二质量评分。
可选地,获取待评价需求文档的人工质量评分,包括:
确定待评价需求文档的需求类型以及业务类型;
基于需求类型以及业务类型,确定待评价需求文档的人工质量评分。
可选地,上述需求文档质量评价方法还包括:
若第一质量评分与人工质量评分的差值超过预设值,则发出报警信息。
第三方面,本申请实施例提供了一种需求文档质量评价模型的训练装置,该装置包括:
获取模块,用于获取样本需求文档以及样本需求文档所包括的各评价项对应的质量评分;
特征词提取模块,用于提取样本需求文档的特征词;
训练模块,用于将样本需求文档、评价项以及特征词作为输入,将样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。
可选地,特征词提取模块具体用于:
对样本需求文档中的文本进行切词处理;
对切词结果进行聚类处理,确定样本需求文档的特征词。
第四方面,本申请实施例提供了一种需求文档质量评价装置,该装置包括:
待评价需求文档获取模块,用于获取待评价需求文档;
第一质量评分获取模块,用于基于需求文档质量评价模型,确定待评价需求文档的第一质量评分;
人工质量评分获取模块,获取待评价需求文档的人工质量评分;
质量评分模块,用于基于第一质量评分以及人工质量评分,确定待评价需求文档的第二质量评分。
可选地,第一质量评分获取模块具体用于:
确定待评价需求文档的特征词;
将待评价需求文档的特征词以及评价需求文档的评价项作为预训练的需求文档质量评价模型的输入,将需求文档质量评价模型的输出确定为第一质量评分。
可选地,质量评分模块具体用于:
基于第一质量评分以及第一质量评分对应的第一预设权重,并基于人工质量评分以及人工质量评分对应的第二预设权重,确定待评价需求文档的第二质量评分。
可选地,人工质量评分获取模块具体用于:
确定待评价需求文档的需求类型以及业务类型;
基于需求类型以及业务类型,确定待评价需求文档的人工质量评分。
可选地,上述需求文档质量评价装置还包括:
报警模块,用于当第一质量评分与人工质量评分的差值超过预设值时,发出报警信息。
第五方面,本申请实施例提供了一种电子设备,该电子设备包括:处理器和存储器;
存储器,用于存储操作指令;
处理器,用于通过调用操作指令,执行如本申请的第一方面的任一实施方式中所示的需求文档质量评价模型的训练方法或者本申请的第二方面的任一实施方式中所示的需求文档质量评价方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请的第一方面的任一实施方式中所示的需求文档质量评价模型的训练方法或者本申请的第二方面的任一实施方式中所示的需求文档质量评价方法。
本申请实施例提供的技术方案带来的有益效果是:
本申请实施例提供的方案,基于预训练的需求文档质量评价模型获取待评价需求文档的第一质量评分,并获取待评价需求文档的人工质量评分,通过将质量评价模型获得的质量评分与人工质量评分相结合,确定待评价需求文档的最终质量评分,基于本方案,能够保证对需求文档评价的准确性与一致性,有效地为后续基于需求文档进行的软件产品开发提供基础。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种需求文档质量评价模型的训练方法的流程示意图;
图2为本申请实施例提供的一种需求文档质量评价方法的流程示意图;
图3为本申请实施例提供的一种需求文档质量评价模型的训练装置的结构示意图;
图4为本申请实施例提供的一种需求文档质量评价装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1示出了本申请实施例提供的一种需求文档质量评价模型的训练方法的流程示意图,如图1所示,该方法主要可以包括:
步骤S110:获取样本需求文档以及样本需求文档所包括的各评价项对应的质量评分。
本申请实施例中,需求文档中可以包含多个评价项,如风险分析内容,项目背景,业务流程及业务规则等,在质量评价中,可以由人工对各评价项分别进行评价,再将各评价项的质量评分汇总,得到需求文档的质量评分。
作为训练样本的样本需求文档已经预先由于专家对各样本需求文档的各评价项进行了质量评分。
步骤S120:提取样本需求文档的特征词。
本申请实施例中,可以对样本需求文档进行特征词的提取,特征词可以表征样本需求文档的内容。一个样本需求文档中可以存在多个特征词,不同的样本需求文档中可以存在相同的特征词,因此,基于特征词可以建立不同的样本需求文档之间的关联。
步骤S130:将样本需求文档、评价项以及特征词作为输入,将样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。
本申请实施例中,可以将样本需求文档、样本需求文档的评价项以及特征词进行拼接得到特征向量作为深度神经网络模型的输入,将样本需求文档的质量评分作为深度神经网络模型输出,来训练深度神经网络模型,从而得到需求文档质量评价模型。
本申请实施例提供的需求文档质量评价模型的训练方法,能够通过训练需求文档质量评价模型实现对需求文档的质量评价,获取质量评分,能够实现对需求文档的自动评价,并且能够避免由人工评价造成评价结果的差异性大。
本申请实施例的一种可选方式中,提取样本需求文档的特征词,包括:
对样本需求文档中的文本进行切词处理;
对切词结果进行聚类处理,确定样本需求文档的特征词。
本申请实施例中,在提取样本需求文档的特征词时,可以对样本需求文档中的文本进行切词处理,对得到的切词结果进行聚类处理,基于聚类结果确定样本需求文档的特征词,例如,可以将聚类结果的中心词作为特征词。
图2示出了本申请实施例提供的一种需求文档质量评价方法的流程示意图,如图2所示,该方法主要可以包括:
步骤S210:获取待评价需求文档;
步骤S220:基于预训练的需求文档质量评价模型,确定待评价需求文档的第一质量评分;
步骤S230:获取待评价需求文档的人工质量评分;
步骤S240:基于第一质量评分以及人工质量评分,确定待评价需求文档的第二质量评分。
本申请实施例中,在对待评价需求文档进行质量评价时,可以基于图1中所示方法训练的需求文档质量评价模型获取第一质量评分。
本申请实施例中,可以基于第一质量评分以及待评价需求文档的人工质量评分,来确定第二质量评分,将第二质量评分作为待评价需求文档的质量评分进行使用。
本申请实施例中,将通过质量评价模型获得的质量评分与人工质量评分相结合,能够提高质量评分的准确性。
本申请实施例提供的需求文档质量评价方法,基于预训练的需求文档质量评价模型获取待评价需求文档的第一质量评分,并获取待评价需求文档的人工质量评分,通过将质量评价模型获得的质量评分与人工质量评分相结合,确定待评价需求文档的最终质量评分,基于本方案,能够保证对需求文档评价的准确性与一致性,有效地为后续基于需求文档进行的软件产品开发提供基础。
本申请实施例的一种可选方式中,基于预训练的需求文档质量评价模型,确定待评价需求文档的第一质量评分,包括:
确定待评价需求文档的特征词;
将待评价需求文档的特征词以及评价需求文档的评价项作为预训练的需求文档质量评价模型的输入,将需求文档质量评价模型的输出确定为第一质量评分。
本申请实施例中,特征词可以表征需求文档的内容。在提取需求文档的特征词时,可以对需求文档中的文本进行切词处理,对得到的切词结果进行聚类处理,基于聚类结果确定需求文档的特征词。
本申请实施例中,在确定出需求文档的特征词之后,可以将需求文档、需求文档的评价项以及特征词进行拼接得到特征向量作为深度神经网络模型的输入,将需求文档质量评价模型的输出确定为第一质量评分。
本申请实施例的一种可选方式中,基于第一质量评分以及人工质量评分,确定待评价需求文档的第二质量评分,包括:
基于第一质量评分以及第一质量评分对应的第一预设权重,并基于人工质量评分以及人工质量评分对应的第二预设权重,确定待评价需求文档的第二质量评分。
本申请实施例中,可以对第一质量评分指定第一预设权重,对人工质量评分指定第二预设权重,并进行加权计算来确定第二质量评分。
作为一个示例,第二质量评分可以通过以下公式来确定:
P=a×P1+b×P2
其中,第一质量评分为P1,第一预设权重为a,人工质量评分为P2,第一预设权重为b,第二质量评分为P,a+b=1。
可以根据实际需要对第一预设权重,第二预设权重进行调整,例如,需求文档质量评价模型的运行初期,可以将第二预设权重设置为较高值。
本申请实施例的一种可选方式中,获取待评价需求文档的人工质量评分,包括:
确定待评价需求文档的需求类型以及业务类型;
基于需求类型以及业务类型,确定待评价需求文档的人工质量评分
本申请实施例中,还可以确定待评价需求文档的需求类型以及业务类型,根据需求类型以及业务类型对待评价需求文档进行分类,并对各类待评价需求文档对应配备具有相应经验的专家进行评价,以保证人工评价结果的准确性。
本申请实施例的一种可选方式中,上述方法还包括:
若第一质量评分与人工质量评分的差值超过预设值,则发出报警信息。
在实际使用中,可以监控第一质量评分与人工质量评分的差值,当第一质量评分与人工质量评分的差值超过预设值,可以认为这时的评价结果可能存在异常,可以由专家对评价结果进行复核。
基于与图1中所示的方法相同的原理,图3示出了本申请实施例提供的一种需求文档质量评价模型的训练装置的结构示意图,如图3所示,该需求文档质量评价模型的训练装置30可以包括:
获取模块310,用于获取样本需求文档以及样本需求文档所包括的各评价项对应的质量评分;
特征词提取模块320,用于提取样本需求文档的特征词;
训练模块330,用于将样本需求文档、评价项以及特征词作为输入,将样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。
本申请实施例提供的需求文档质量评价模型的训练装置,能够通过训练需求文档质量评价模型实现对需求文档的质量评价,获取质量评分,能够实现对需求文档的自动评价,并且能够避免由人工评价造成评价结果的差异性大。
可选地,特征词提取模块具体用于:
对样本需求文档中的文本进行切词处理;
对切词结果进行聚类处理,确定样本需求文档的特征词。
可以理解的是,本实施例中的需求文档质量评价模型的训练装置的上述各模块具有实现图1中所示的实施例中的需求文档质量评价模型的训练方法相应步骤的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件,上述各模块可以单独实现,也可以多个模块集成实现。对于上述需求文档质量评价模型的训练装置的各模块的功能描述具体可以参见图1中所示实施例中的需求文档质量评价模型的训练方法的对应描述,在此不再赘述。
基于与图2中所示的方法相同的原理,图4示出了本申请实施例提供的一种需求文档质量评价装置的结构示意图,如图4所示,该需求文档质量评价装置40可以包括:
待评价需求文档获取模块410,用于获取待评价需求文档;
第一质量评分获取模块420,用于基于需求文档质量评价模型,确定待评价需求文档的第一质量评分;
人工质量评分获取模块430,获取待评价需求文档的人工质量评分;
质量评分模块440,用于基于第一质量评分以及人工质量评分,确定待评价需求文档的第二质量评分。
本申请实施例提供的需求文档质量评价装置,基于预训练的需求文档质量评价模型获取待评价需求文档的第一质量评分,并获取待评价需求文档的人工质量评分,通过将质量评价模型获得的质量评分与人工质量评分相结合,确定待评价需求文档的最终质量评分,基于本方案,能够保证对需求文档评价的准确性与一致性,有效地为后续基于需求文档进行的软件产品开发提供基础。
可选地,第一质量评分获取模块具体用于:
确定待评价需求文档的特征词;
将待评价需求文档的特征词以及评价需求文档的评价项作为预训练的需求文档质量评价模型的输入,将需求文档质量评价模型的输出确定为第一质量评分。
可选地,质量评分模块具体用于:
基于第一质量评分以及第一质量评分对应的第一预设权重,并基于人工质量评分以及人工质量评分对应的第二预设权重,确定待评价需求文档的第二质量评分。
可选地,人工质量评分获取模块具体用于:
确定待评价需求文档的需求类型以及业务类型;
基于需求类型以及业务类型,确定待评价需求文档的人工质量评分。
可选地,上述需求文档质量评价装置还包括:
报警模块,用于当第一质量评分与人工质量评分的差值超过预设值时,发出报警信息。
可以理解的是,本实施例中的需求文档质量评价装置的上述各模块具有实现图2中所示的实施例中的需求文档质量评价方法相应步骤的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件,上述各模块可以单独实现,也可以多个模块集成实现。对于上述需求文档质量评价装置的各模块的功能描述具体可以参见图2中所示实施例中的需求文档质量评价方法的对应描述,在此不再赘述。
本申请实施例提供了一种电子设备,包括处理器和存储器;
存储器,用于存储操作指令;
处理器,用于通过调用操作指令,执行本申请任一实施方式中所提供的需求文档质量评价模型的训练方法或需求文档质量评价方法。
作为一个示例,图5示出了本申请实施例所适用的一种电子设备的结构示意图,如图5所示,该电子设备2000包括:处理器2001和存储器2003。其中,处理器2001和存储器2003相连,如通过总线2002相连。可选的,电子设备2000还可以包括收发器2004。需要说明的是,实际应用中收发器2004不限于一个,该电子设备2000的结构并不构成对本申请实施例的限定。
其中,处理器2001应用于本申请实施例中,用于实现上述方法实施例所示的方法。收发器2004可以包括接收机和发射机,收发器2004应用于本申请实施例中,用于执行时实现本申请实施例的电子设备与其他设备通信的功能。
处理器2001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器2001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线2002可包括一通路,在上述组件之间传送信息。总线2002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线2002可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器2003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
可选的,存储器2003用于存储执行本申请方案的应用程序代码,并由处理器2001来控制执行。处理器2001用于执行存储器2003中存储的应用程序代码,以实现本申请任一实施方式中所提供的需求文档质量评价模型的训练方法或需求文档质量评价方法。
本申请实施例提供的电子设备,适用于上述方法任一实施例,在此不再赘述。
本申请实施例提供了一种电子设备,与现有技术相比,基于预训练的需求文档质量评价模型获取待评价需求文档的第一质量评分,并获取待评价需求文档的人工质量评分,通过将质量评价模型获得的质量评分与人工质量评分相结合,确定待评价需求文档的最终质量评分,基于本方案,能够保证对需求文档评价的准确性与一致性,有效地为后续基于需求文档进行的软件产品开发提供基础。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述方法实施例所示的需求文档质量评价模型的训练方法或需求文档质量评价方法。
本申请实施例提供的计算机可读存储介质,适用于上述方法任一实施例,在此不再赘述。
本申请实施例提供了一种计算机可读存储介质,与现有技术相比,基于预训练的需求文档质量评价模型获取待评价需求文档的第一质量评分,并获取待评价需求文档的人工质量评分,通过将质量评价模型获得的质量评分与人工质量评分相结合,确定待评价需求文档的最终质量评分,基于本方案,能够保证对需求文档评价的准确性与一致性,有效地为后续基于需求文档进行的软件产品开发提供基础。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种需求文档质量评价模型的训练方法,其特征在于,包括:
获取样本需求文档以及所述样本需求文档所包括的各评价项对应的质量评分;
提取所述样本需求文档的特征词;
将所述样本需求文档、所述评价项以及所述特征词作为输入,将所述样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。
2.根据权利要求1所述的方法,其特征在于,所述提取所述样本需求文档的特征词,包括:
对所述样本需求文档中的文本进行切词处理;
对切词结果进行聚类处理,确定所述样本需求文档的特征词。
3.一种需求文档质量评价方法,其特征在于,包括:
获取待评价需求文档;
基于预训练的需求文档质量评价模型,确定所述待评价需求文档的第一质量评分;
获取所述待评价需求文档的人工质量评分;
基于所述第一质量评分以及所述人工质量评分,确定所述待评价需求文档的第二质量评分。
4.根据权利要求3所述的方法,其特征在于,所述基于预训练的需求文档质量评价模型,确定所述待评价需求文档的第一质量评分,包括:
确定所述待评价需求文档的特征词;
将所述待评价需求文档的特征词以及所述评价需求文档的评价项作为预训练的需求文档质量评价模型的输入,将所述需求文档质量评价模型的输出确定为第一质量评分。
5.根据权利要求3或4所述的方法,其特征在于,所述基于所述第一质量评分以及所述人工质量评分,确定所述待评价需求文档的第二质量评分,包括:
基于所述第一质量评分以及所述第一质量评分对应的第一预设权重,并基于所述人工质量评分以及所述人工质量评分对应的第二预设权重,确定所述待评价需求文档的第二质量评分。
6.根据权利要求3或4所述的方法,其特征在于,所述获取所述待评价需求文档的人工质量评分,包括:
确定所述待评价需求文档的需求类型以及业务类型;
基于所述需求类型以及业务类型,确定所述待评价需求文档的人工质量评分。
7.根据权利要求3或4所述的方法,其特征在于,上述方法还包括:
若所述第一质量评分与所述人工质量评分的差值超过预设值,则发出报警信息。
8.一种需求文档质量评价模型的训练装置,其特征在于,包括:
获取模块,用于获取样本需求文档以及所述样本需求文档所包括的各评价项对应的质量评分;
特征词提取模块,用于提取所述样本需求文档的特征词;
训练模块,用于将所述样本需求文档、所述评价项以及所述特征词作为输入,将所述样本需求文档的质量评分作为输出,对深度神经网络模型进行训练,得到需求文档质量评价模型。
9.一种需求文档质量评价装置,其特征在于,包括:
待评价文档获取模块,用于获取待评价需求文档;
第一评分获取模块,用于基于预训练的需求文档质量评价模型,确定所述待评价需求文档的第一质量评分;
人工评分获取模块,获取所述待评价需求文档的人工质量评分;
评分模块,用于基于所述第一质量评分以及所述人工质量评分,确定所述待评价需求文档的第二质量评分。
10.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,执行权利要求1-7中任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335874.8A CN111523322A (zh) | 2020-04-25 | 2020-04-25 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335874.8A CN111523322A (zh) | 2020-04-25 | 2020-04-25 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523322A true CN111523322A (zh) | 2020-08-11 |
Family
ID=71904140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010335874.8A Pending CN111523322A (zh) | 2020-04-25 | 2020-04-25 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523322A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579729A (zh) * | 2020-12-25 | 2021-03-30 | 百度(中国)有限公司 | 文档质量评价模型的训练方法、装置、电子设备和介质 |
CN114625340A (zh) * | 2022-05-11 | 2022-06-14 | 深圳市商用管理软件有限公司 | 基于需求分析的商用软件研发方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427204A (zh) * | 2015-12-18 | 2016-03-23 | 重庆市科学技术研究院 | 一种技术转移与创业孵化服务平台*** |
CN107977798A (zh) * | 2017-12-21 | 2018-05-01 | 中国计量大学 | 一种电子商务产品质量的风险评价方法 |
CN108363687A (zh) * | 2018-01-16 | 2018-08-03 | 深圳市脑洞科技有限公司 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
CN109829155A (zh) * | 2019-01-18 | 2019-05-31 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
CN110675017A (zh) * | 2019-08-13 | 2020-01-10 | 平安科技(深圳)有限公司 | 基于人工智能的绩效评价方法和装置 |
CN111061870A (zh) * | 2019-11-25 | 2020-04-24 | 三角兽(北京)科技有限公司 | 文章的质量评价方法及装置 |
-
2020
- 2020-04-25 CN CN202010335874.8A patent/CN111523322A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427204A (zh) * | 2015-12-18 | 2016-03-23 | 重庆市科学技术研究院 | 一种技术转移与创业孵化服务平台*** |
CN107977798A (zh) * | 2017-12-21 | 2018-05-01 | 中国计量大学 | 一种电子商务产品质量的风险评价方法 |
CN108363687A (zh) * | 2018-01-16 | 2018-08-03 | 深圳市脑洞科技有限公司 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
CN109829155A (zh) * | 2019-01-18 | 2019-05-31 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
CN110675017A (zh) * | 2019-08-13 | 2020-01-10 | 平安科技(深圳)有限公司 | 基于人工智能的绩效评价方法和装置 |
CN111061870A (zh) * | 2019-11-25 | 2020-04-24 | 三角兽(北京)科技有限公司 | 文章的质量评价方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579729A (zh) * | 2020-12-25 | 2021-03-30 | 百度(中国)有限公司 | 文档质量评价模型的训练方法、装置、电子设备和介质 |
CN112579729B (zh) * | 2020-12-25 | 2024-05-21 | 百度(中国)有限公司 | 文档质量评价模型的训练方法、装置、电子设备和介质 |
CN114625340A (zh) * | 2022-05-11 | 2022-06-14 | 深圳市商用管理软件有限公司 | 基于需求分析的商用软件研发方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695352A (zh) | 基于语义分析的评分方法、装置、终端设备及存储介质 | |
CN110858269B (zh) | 事实描述文本预测方法及装置 | |
CN110807314A (zh) | 文本情感分析模型训练方法、装置、设备及可读存储介质 | |
CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN111338692B (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN111523322A (zh) | 需求文档质量评价模型训练方法及需求文档质量评价方法 | |
CN111611386A (zh) | 文本分类方法和装置 | |
CN112100374A (zh) | 文本聚类方法、装置、电子设备及存储介质 | |
CN115687980A (zh) | 数据表的脱敏分类方法、分类模型训练方法及装置 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN115080745A (zh) | 基于人工智能的多场景文本分类方法、装置、设备及介质 | |
CN113836297B (zh) | 文本情感分析模型的训练方法及装置 | |
CN115758245A (zh) | 一种多模态数据分类方法、装置、设备和存储介质 | |
CN115774784A (zh) | 一种文本对象的识别方法及装置 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN114970666A (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN114036283A (zh) | 一种文本匹配的方法、装置、设备和可读存储介质 | |
CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN114091458A (zh) | 基于模型融合的实体识别方法和*** | |
CN113469176A (zh) | 一种目标检测模型训练方法、目标检测方法及其相关设备 | |
CN110119770B (zh) | 决策树模型构建方法、装置、电子设备及介质 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN111522750A (zh) | 一种功能测试问题的处理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |