Page 222 - 《软件学报》2026年第4期
P. 222
袁中锦 等: 融合中文需求文本语义特征的 UML 活动图自动生成方法 1663
下 3 个问题.
• RQ1: 需求文本的语义特征是否有助于提高自动生成 UML 活动图的质量?
• RQ2: 与其他 UML 活动图自动生成方法相比, AutoADGC 表现如何?
• RQ3: 在实际应用中, AutoADGC 的效率如何?
3.5.1 消融实验结果与分析
为了回答 RQ1, 本文将包含语义多标签需求文本分类的 AutoADGC 方法与移除语义多标签需求文本分类的
AutoADGC−SF 方法对比. 根据表 2 从上述两种方法自动生成的 UML 活动图以及人工绘制的参考活动图收集数
据, 依照表 3 计算自动生成 UML 活动图的完整性、正确性和冗余性, 以评估自动生成活动图的质量. 实验结果如
图 7 所示.
97.72 97.09 AutoADGC–SF
100
89.66 AutoADGC
百分比 (%) 60 59.01 40.99
80
40
20
2.91
0
完整性 正确性 冗余性
图 7 AutoADGC 与 AutoADGC−SF 方法所生成 UML 活动图的完整性、正确性和冗余性统计结果
图 7 中统计结果显示, AutoADGC 在 3 项评价指标上均优于 AutoADGC−SF 方法. 就完整性而言, AutoADGC
的表现较 AutoADGC−SF 有明显提升. 这说明 AutoADGC 能够更有效地从需求文本中提取出绘制 UML 活动图所
需的信息. 这种能力的增强主要归功于对需求文本语义特征的准确把握. AutoADGC 所生成活动图的正确性高达
97.09%, 显著高于 AutoADGC−SF 所生成活动图的正确性. 这是因为语义多标签需求文本分类具备过滤软件需求
文本中与业务活动无关句子的功能, 并能够为活动图图元素及其关系的正确提取提供有效信息. 为了更加直观地
展示语义多标签需求文本分类在 UML 活动图自动生成任务中起到的重要作用, 我们从实验数据中选取了一个典
型案例. 图 8 展示了该案例的输入以及在 AutoADGC−SF 和 AutoADGC 方法上的输出结果.
教师可以通过本功能参与会议活动。教师访问参加会议页面。系统显示可参加会议的列表。会议列表包含会议时间、会议地点、
主讲人信息。教师选择要参加的会议, 支付参会费用。系统显示支付情况, 同时向教师发送电子邮件进行参会信息确认。
AutoADGC–SF AutoADGC
教师 系统 会议列表
教师 系统
可以通过本功能
参与会议活动
访问参加会议页面
访问参加
会议页面
显示可参加 显示可参加会议的列表
会议的列表
包含会议时间、会议地点、 选择要参加的会议
主讲人信息
选择要参加的
会议 支付参会费用
支付参会费用
显示支付情况 向教师发送电子邮件进行参会信息确认
显示支付情况
向教师发送电子邮件
进行参会信息确认
图 8 AutoADGC−SF 与 AutoADGC 方法针对同一应用实例自动生成的 UML 活动图结果
