Page 226 - 《软件学报》2026年第4期

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 1667

60
NLPHR ChatGPT4 AutoADGC
50 49.33

40 38.05
39.05
运行时间 (s) 30 29.27 30.69 28.69

22.77
21.41 23.27
20
14.86 19.81
18.12 17.41
11.63 15.16
10 8.54 11.31
4.16
5.58 3.23 3.19 2.82 3.35 3.51 3.29
2.46 2.28 2.46
1.94 2.25
0
0 2 4 6 8 10 12 14 16 18 20
句子数量 (个)
图 11 不同 UML 活动图自动生成方法在测试集上的运行时间

4 有效性威胁

本节将简要讨论本文方法可能面临的内部有效性威胁、外部有效性威胁和结构有效性威胁. 针对这些有效性
威胁, 我们提出了一系列应对措施以确保本文方法的严谨性与普遍性.
内部有效性主要关注研究过程中是否存在系统性错误. 本文方法的内部有效性威胁主要来源于需求文本数据
集构建过程中可能产生的偏差. 为了降低这一风险, 我们聘请了 3 位未曾接触过本文技术方案的高级软件工程师,
要求他们独立对需求文本数据进行标注. 数据标注的具体过程已在第 3.1 节中详细说明. 其中, 采用弗莱斯卡帕系
数 [33] 评估标注者之间的标注一致性, 从而减少标注过程中的主观偏差. 为了降低机器学习模型随机性带来的影响,
本文还采用十折交叉验证法优化模型参数. 此外, 由于在描述决策活动和并行活动时, 用户倾向于使用单个句子来
描述分支中的一系列业务活动, 并以逗号分隔, 而非采用多个句子, 本文方法通过时序性语义标签确定句子间的节
点次序, 利用关联词识别决策节点和分叉节点, 并以句号、分号或换行符作为分支活动的结束标志. 上述方法能够
较好地处理单句内包含多个节点或多句内包含多个非分支节点的情况, 但难以解决多句内包含分支节点时可能产
生的分支终止节点确定问题. 因此, 拟在后续研究中引入多语句业务流分析模块, 建立跨句分支终止判定规则, 以
应对在多语句描述情况下分支活动结束时的复杂情形.
外部有效性威胁通常与研究结果的可推广性和可扩展性相关. 在可推广性方面, 本文从多家合作企业搜集了
覆盖 20 余个不同应用领域的需求文本数据以训练语义多标签需求文本分类模型. 鉴于数据来源的广泛性和第
3.5 节中实验结果的优越性, 相信本文方法在面对更广泛领域的多样化需求文本时仍能保持其有效性. 在可扩展性
方面, 由于本文方法的算法架构设计采用与语言无关的语义表示技术, 且核心的图元素及其关系提取流程本质上
独立于特定的语言结构, 因而可以兼容非中文语料处理. 在将其拓展至其他语言的应用过程中, 将涉及收集大规模
的非中文需求文本以构建训练集, 并根据不同语言的语法特性对图元素及其关系提取的规则库进行相应的调整.
结构有效性涉及研究结论的合理性与可靠性. 为了最小化这种有效性威胁, 本文将 UML 活动图自动生成问
题分解为需求文本语义特征提取、UML 活动图图元素及其关系提取、UML 活动图绘制这 3 个子问题. 这有助于
针对性地突破各个子问题的难点. 此外, 本文方法从句子和短语两种粒度对需求文本进行解析, 从而更加精确地获
取需求文本的语义特征和语法特征.