CN111723214A - 一种面向模式的非功能需求知识精化方法 - Google Patents

Abstract

本发明公开了一种面向模式的非功能需求知识精化方法，涉及需求工程和知识图谱精化领域，其特征在于，通过将建立的非功能需求知识图谱进行扩展得到具有模式集的四元组集，读取所述四元组集进行预处理并初始化实体、关系和模式的表示向量，利用投影矩阵把实体和关系的向量投影到模式空间得到评分函数，同时检测非功能需求知识图谱中的层次结构计算获得层次约束间距，再结合评分函数获得损失函数，采用随梯度下降法对知识图谱嵌入向量进行优化训练得到表示向量，根据表示向量和评分函数进行知识补全和知识查错。本发明在知识图谱中增加了模式，并引入层次结构进行优化，提高了知识精化的质量，确保了重用知识的正确性和完整性。

Description

一种面向模式的非功能需求知识精化方法

技术领域

本发明涉及需求工程和知识图谱精化领域，特别涉及一种面向模式的非功能需求知识精化方法。

背景技术

在大数据环境下，软件非功能需求知识关联分布在大规模、多源、异构、多模态及持续增长的数据源中，为了将这些非功能需求知识相关的信息组织起来，并建立关联关系，使之成为可以被利用的知识，我们构建非功能需求知识图谱。另外，非功能需求相较于功能需求，具有更好的可重用性，例如：金融领域和教育领域都需要考虑安全性，应用在金融领域时，安全性的实现可以是对金融信息进行加密，对人员进行授权；应用在教育领域时，部分教育信息也包含敏感信息，可以对其进行加密，同样需要人员授权。因此，非功能需求知识图谱的构建需要保证其有利于支持非功能需求知识的重用，本发明将模式引入知识图谱，基于模式提供非功能需求知识重用能力。

由于知识图谱通常会面临着知识缺失和知识错误的问题，知识精化的提出可以实现知识补全和知识查错，它在已给定知识图谱的情况下，解决知识缺失和错误的问题。知识图谱嵌入是一种常用的知识精化方法，其核心思想是将知识图谱的实体和关系嵌入到低维连续向量空间中，在保留知识图谱本身结构的同时，通过学习实体和关系的向量化表示来对知识图谱进行补全和查错，因此，本发明提出一种基于嵌入方法的非功能需求知识精化方法。此外，由于非功能需求知识实体之间具有大量的层次关系，利用此层次结构对知识图谱的嵌入过程进行优化，可以提高非功能需求知识精化质量。

发明内容

针对现有技术中存在的问题，本发明提供了一种面向模式的非功能需求知识精化方法，通过将非功能知识图谱增加了一个模式进行扩展得到四元组，将四元组的实体和关系投影到实体空间获得评分函数，通过评分函数计算四元组向量的评分值，根据评分结果进行知识补全和知识查错，同时进行知识图谱的层次结构检测，获得层次关系，根据具有层次关系的关系集获得最优层次约束间距，根据最优层次约束间距和评分函数获得损失函数并采用随机梯度下降法对知识图谱嵌入向量进行优化训练。使非功能需求知识图谱嵌入模型有效利用模式和层次结构信息，提高了知识精化的质量。

同时还通过评分函数对所述非功能知识图谱进行了知识补全和知识查错保证了知识重用的正确性和完整性。

本发明提供了一种面向模式的非功能需求知识精化方法，具体技术方案如下：

知识图谱的扩展，将构建好的非功能需求知识图谱进行扩展增加一个模式；

知识数据的预处理，对扩展后的到的知识数据进行预处理获得表示向量；

向量的投影，利用投影矩阵把实体和关系向量投影到模式空间中，根据模式空间中的投影向量间的距离运算得到评分函数；

层次结构检测，检测非功能知识图谱中实体与关系的其它层次结构，根据获得的层次关系计算得到最优层次约束间距；

模型的优化，结合评分函数和层次约束间距得出损失函数，根据得到的损失函数采用随机梯度下降算法优化非功能需求知识图谱的向量表示；

知识补全和知识查错，通过评分函数得出知识图谱四元组向量的评分值，并根据评分值结果进行知识补全和知识查错；

进一步的，所述知识图谱的扩展，增加一个模式将传统三元组(h，r，t)扩展为四元组(h，r，t，p)，扩展过程如下所示：

其中，T表示三元组集，Q表示扩展后的四元组集，E表示实体集，R表示关系集，P表示模式集。

进一步的，所述知识数据的预处理，通过读取扩展后得到的知识图谱四元组，生成实体集、关系集和模式集，根据模型训练生成正集和负集，并初始化实体、关系和模式的表示向量。

进一步的，所述向量的投影通过如下公式：

获得每个四元组头实体、关系和尾实体各自的投影矩阵，其中w_h，w_r，w_t和w_p为对每个所述四元组引入额外的投影向量，所述额外的投影向量w_h，w_r，w_t属于R^d，所述额外的投影向量w_p属于R^k，其中R^d表示实体-关系空间，R^k表示模式空间，通过所述投影矩阵将实体和关系投影到模式空间获得各自的投影，并根据所述投影之间的距离运算得到所述评分函数。

进一步的，所述层次结构检测为检测知识图谱的中其它的层次关系，所述其它层次关系包括非环、非自反和不平衡映射，并计算层次约束间距。

进一步的，所述模型的训练中，将得到的所述评分函数和所述层次约束间距进行计算得到如下损失函数，并通过随机梯度下降法对知识图谱嵌入向量进行优化训练，所述损失函数如下所示：

其中，M_opt为最优层次约束间距，P表示模式集，D⁺表示正四元组集，D^-表示负四元组集。

进一步的，所述知识补全将所有实体、关系和模式作为候选补全所述四元组中缺失的部分，并通过所述评分函数进行计算得出替换后的四元组评分值，选取评分结果最高的作为最终的补全结果。

所述知识查错，通过所述评分函数计算每个所述四元组得出评分结果，并根据得到的评分结果与为每个关系预设的阈值进行比较判断所述四元组是否正确。

为实现上述目的，根据本发明的另一方面，提供了一种非功能需求知识精化装置，包括数据处理模块、投影模块、层次结构检测模块和知识补全与查错模块，通过相应的模块进行上述方法的相关计算，并获得输出结果。

区别现有技术，本发明的技术方案具有以下有益效果：

1、知识图谱的扩展中，将传统的(h，r，t)扩展为四元组(h，r，t，p)，增加了模式，将模式引入非功能需求知识实现了需求重用。

2、将扩展后的知识图谱通过数据的预处理得到实体和关系向量，并将向量投影到模式空间中，同时对知识图谱进行层次结构检测获取层次关系，充分利用了知识图谱中丰富的模式信息和层次结构信息，大大提高了知识精化的效率。

3、对每个四元组(h，r，t，p)引入额外的投影向量，并设置了三个投影矩阵，将实体和关系投影到模式空间，获得头实体h、关系t、和尾实体t的各自投影，根据投影向量之间的间距获得评分函数，用来进行知识图谱的补全和查错，提高了知识精化的的质量，保证了重用知识的正确性和完成性。

附图说明

图1为本发明的非功能需求知识精化方法的流程图；

图2为以加密-解密模式为例的非功能需求知识图谱子图；

图3为实体和关系投影到模式空间示意图；

图4为本发明的非功能需求知识精化装置结构示意图；

具体实施方式

在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。

本发明的实施例一提供了一种面向模式的非功能需求知识精化方法，如图1所示，该方法包括以下步骤：

S1：非功能需求知识图谱的扩展；

将如图2所示的非功能需求知识图谱进行扩展，增加一模式，将传统三元组(h，r，t)扩展为四元组(h，r，t，p)，扩展过程如下所示：

其中T表示三元组集，Q表示扩展后的四元组集，E表示实体集，R表示关系集，P表示模式集。

S2：非功能需求知识图谱数据预处理；

读取非功能需求知识图谱扩展后的四元组，生成实体集、关系集和模式集，并分为正样本集和负样本集，求取四元组中头实体向量h+关系向量r-尾实体向量t的绝对值，将向量h+r-t的绝对值近似为0的四元组作为正确的四元组分为正样本集，将向量h+r-t的绝对值近似值不为0的四元组作为错误的四元组分为负样本集；

通过Python中的ctypes模块将得到的数据集接口传输至嵌入模型中，并将每一个实体、关系和模式初始化为随机生成的向量。

S3：利用投影矩阵把上述随机生成的实体和关系向量投影到模式空间中，通过向量间距运算获得评分函数；

对于上述每一个四元组(h，r，t，p)，都引入额外的投影向量w_h，w_r，w_t和w_p，其中w_h，w_r，w_t∈R^d，w_p∈R^k，所述表示R^d实体-关系空间，所述R^k表示模式空间，还设置了三个投影矩阵M_ph，M_pr，M_pt，所述投影矩阵属于R^d×k，由对应的实体、关系和模式决定；

首先取得所述投影向量的w_h，w_r，w_t的转置，分别左乘所述投影向量w_p，再与单位矩阵I相加得到所述投影矩阵，具体公式如下所示：

将得到的三个投影矩阵分别右乘头实体h、关系r和尾实体t分别得到各自的投影，具体公式如下所示：

h_⊥＝M_phh

r_⊥＝M_prr

t_⊥＝M_ptt

对应的约束如下所示：

||h||≤1，||r||≤1，||t||≤1，||h_⊥||≤1，||r_⊥||≤1，||t_⊥||≤1

当存在模式有效的正三元组，则映射为h_⊥+r_⊥≈t_⊥，所得评分函数如下所示：

S4：检测非功能需求知识图谱中的层次结构获得层次关系，由检测的层次关系得出最优层次间距；

所述层次结构的检测包括非环、非自反和不平衡映射关系的检测，所述不平衡关系的检测包括层次关系和非层次关系。

所述非环关系的检测：采用拓扑排序算法对环进行检测，对于一个关系r^*，提取出只含有该关系的知识图谱的子图，通过删除入度为0的顶点对每个所述四元组的顶点进行拓扑排序，如果所述四元组内存在不能进行拓扑排序的顶点，则环存在，所述顶点的数量表示参与形成环的顶点数量，反之，如果所述四元组内存在能够进行拓扑排序的顶点，则环存在；

所述非自反关系的检测：对于一个关系r^*，将所述三元组的头实体h和尾实体t交换，判断所述三元组是否成立，如果成立则为自反三元组，不成立则为非自反三元组，当该关系中所述非自反三元组的比例超过50％，则该关系为非自反关系；

所述不平衡映射关系的检测：对于一个关系r^*，根据所述三元组中所有头实体h与尾实体t的映射关系进行判断，当对应关系为1：1时，该关系为非层次关系，当对应关系为1：N或者N：1时，该关系为层次关系，当对应关系为N：N时，且所述头实体h和所述尾实体t的数目相近时，该关系为非层次关系，在对应关系为N：N时，当所述头实体h和所述尾实体t的数目比大于1.5时，该关系则为层次关系。

根据检测的结果，如果关系r为非层次关系，则通过如下公式计算得到m_r，所述m_r是给定关系r与头实体h的P_r和N_r之间的差值，公式如下所示：

其中，

用来返回x的绝对值，H_r为知识图谱中位于同一模式空间内并且具有层次关系的关系集，所述t∈P_r，t’∈N_r；

所述P_r为给定模式p中的头实体h和关系r的正实体集，包含同一模式空间内与所述头实体h有关系r的所有尾实体；

所述N_r为给定模式p中的头实体h和关系r的负实体集，包含同一模式空间内与所述头实体h有关系r’的所有尾实体。

将得到的m_r通过如下公式：

计算得出单步特定间距M_{sin gle}，所述单步特定间距M_{sin gle}为与头实体h有关的所有关系r的m_r的平均值，其中R_h是与头实体h有关的关系集，|R_h|是关系集的基数；

将得到的所述单步特定间距M_{sin gle}e通过如下公式：

M_opt＝αM_single

得到最优单步特定间距，其中参数α用来控制层次约束的权重，且0≤α≤1。

根据检测结果如果r为层次关系，则通过如下公式计算得到所述m_r，公式如下所示：

m_r＝min_t，t’σ(||h_⊥-t′_⊥||-||h_⊥-t_⊥||)+λ_hrΦ(θ)，r∈H_r

其中θ是两个向量在所述模式空间R^k中的夹角，Φ(θ)＝1-cosθ是惩罚函数，当夹角θ增大时惩罚增大，当夹角θ接近于0时，惩罚也近似于0，λ_hr为影响惩罚正则化参数，参数范围为0≤λ_hr≤1。

所述λ_hr计算公式如下所示：

其中E_h，r是同一模式空间中给定的头实体h和关系r的尾实体集，|E_h，r|是E_h，r的基数。综上所述，通过知识图谱的结构检测，根据检测结果得到所述平均值m_r，并计算出所述单步特定间距M_{sin gle}，最后得出最优层次约束间距M_opt。

S5：结合所述评分函数和层次约束间距得到损失函数，并采用随机梯度下降算法进行优化，得出非功能需求知识图谱的向量表示；

所述损失函数公式如下所示：

其中，p表示模式集，D⁺表示正四元组集，D^-表示负四元组集，M_opt表示层次约束间距；

所述负四元组集D^-通过对所述正四元组集(h，r，t，p)对四元组内的关系或实体分别进行替换并求并集得到，所述负四元组集

D^-＝(h′，r，t，p)∪(h，r′，t，p)∪(h，r，t′，p)

最后通过随机梯度下降算法根据所述损失函数进行优化训练输出准确的知识图谱元素的表示向量。

S6：将得到的表示向量通过所述评分函数进行计算，得到四元组向量的评分值，根据评分结果进行知识补全和知识查错；

所述知识补全，首先对于非功能需求知识图谱中缺失的实体、关系和模式，将实体、关系和模式集中的所有实体、关系和模式作为候选，对四元组中缺失实体、关系和模式进行替换；

其次利用所述评分函数计算每一个替换后的四元组的评分值，并以递减的方法对它们进行排序，排序结果中评分值越高，越有可能是正确的缺失实体、关系和模式，选取评分值高的替换结果作为正确的四元组进行补全。

所述知识查错，首先通过评分函数计算每一个四元组的评分值，根据所得四元组的评分值来判断四元组的对错，分值越高的四元组越接近正确事实。

其次根据每个关系预先设置的阈值与所得评分值进行比较，如果一个四元组评分值高于预设阈值，则该四元组就是正确的，如果一个四元组评分值低于预设阈值，则该四元组就是错误的。

本发明的实施例二提供了一种非功能需求知识精化装置，如图4所示，包括数据处理模块、投影模块、层次结构检测模块和知识补全与查错模块；

首先通过所述数据预处理模块将输入的非功能需求知识图谱进行扩展获得带有模式的四元组数据，再将所述四元组数据中对应的向量进行初始化，获得实体、关系和模式的随机生成向量；

其次通过所述投影模块利用投影矩阵将得到的实体和关系向量投影到模式空间中，通过向量之间的距离关系计算得出评分函数；

同时通过所述层次机构检测模块对所述非功能需求知识图谱中的层次结构进行检测，获得四元组数据的层次关系，根据得到的层次关系进行层次约束间距的计算；

最后所述知识补全与查错模块根据计算的到的评分函数和层次约束间距，计算得出损失函数，并通过损失函数得到的准确表示实体、关系和模式的向量，再通过评分函数对得到的向量进行计算，完成知识补全和知识查错。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

所述数据处理模块用于将非功能需求知识图谱进行扩展成四元组，并生成对应向量集合，并对所得向量进行初始化，获得实体、关系和模式的随机生成向量；

所述投影模块用来将实体和关系向量投影到模式空间中，并计算得到评分函数；

所述层次结构检测模块用来检测非功能需求知识图谱中的层次结构，并根据层次关系进行相关计算，通过计算获得层次约束间距；

所述知识补全与查错模块通过所述投影模块与所述层次结构检测模块获得的评分函数和层次约束间距计算得到损失函数，并根据损失函数进行非功能需求知识图谱的知识补全和知识查错。

Claims (9)

1.一种面向模式的非功能需求知识精化方法，其特征在于，所述方法包括：

S1：非功能需求知识图谱扩展；

S2：非功能需求知识数据的预处理获得表示向量；

S3：向量投影，利用投影矩阵把实体和关系向量投影到模式空间中，根据模式空间中的投影得到评分函数；

S4：非功能需求知识图谱的层次结构检测，根据检测得到的层次关系，计算获得最优层次约束间距；

S5：结合评分函数和层次约束间距得出损失函数，根据损失函数采用随机梯度下降算法优化非功能需求知识图谱的向量表示；

S6：通过评分函数得出知识图谱四元组向量的评分值，并根据评分值结果进行知识补全和知识查错。

2.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，所述知识图谱的扩展将三元组(h，r，t)扩展为四元组(h，r，t，p)，扩展过程如下所示：

其中，T表示三元组集，Q表示扩展后的四元组集,E表示实体集，R表示关系集，P表示模式集。

3.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，所述知识数据的预处理通过读取扩展后得到的知识图谱四元组，生成实体集、关系集和模式集，根据模型训练生成正集和负集，并初始化实体、关系和模式的表示向量。

4.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，步骤S3中所述投影矩阵通过引入额外的投影向量w_h，w_r，w_t和w_p按照如下公式：

进行运算得到，将得到的三个所述投影矩阵分别应用于头实体h、关系r和尾实体t分别得到各自的投影，通过所述投影之间的距离运算得到所述评分函数，所述评分函数如下所示：

5.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，所述层次结构检测用来检测实体之间其它层次关系，所述其它层次关系包括非环、非自反和不平衡映射，并按照如下公式：

M_opi＝αM_single

得出层次约束间距。

6.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，步骤S5中通过所述评分函数以及所述层次约束间距计算如下损失函数：

根据所述损失函数通过随机梯度下降法对知识图谱嵌入向量进行优化训练。

7.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，步骤S6中所述知识补全将实体、关系和模式集中的所有实体、关系和模式对所述四元组中缺失的部分进行补全，并通过所述评分函数计算补全后的四元组评分值，根据评分值确定缺失的实体、关系和模式。

8.根据权利要求1所述的面向模式的非功能需求知识精化方法，其特征在于，步骤S6中所述知识查错，通过所述评分函数计算每一个四元组的评分，将评分结果根据预先设置阈值进行比较，判定所述四元组是否正确。

9.一种非功能需求知识精化装置，其特征在于，包括数据处理模块、投影模块、层次结构检测模块和知识补全与查错模块；

所述数据处理模块用于将非功能需求知识图谱进行扩展成四元组，并生成对应向量集合，并对所得向量进行初始化，获得实体、关系和模式的随机生成向量；

所述投影模块用来将实体和关系向量投影到模式空间中，并计算得到评分函数；

所述层次结构检测模块用来检测非功能需求知识图谱中的层次结构，并根据层次关系进行相关计算，通过计算获得层次约束间距；

所述知识补全与查错模块通过所述投影模块与所述层次结构检测模块获得的评分函数和层次约束间距计算得到损失函数，并根据损失函数获得准确表示的实体、关系和模式的向量，再通过评分函数进行非功能需求知识图谱的知识补全和知识查错。

Images