Page 237 - 《软件学报》2026年第5期

2116 软件学报 2026 年第 37 卷第 5 期

方法存在两个问题: ① 文本数据庞大, 逐个计算文本向量并计算相似度会消耗大量时间, 效率比较低; ② 功能实体
的短语长度方差很大, 固定窗口长度会显著影响匹配效果.
E F 识别. 方法具体流程如
为了解决这两个问题, LLM-Extractor 使用可变滑动窗口结合向量搜索的方法进行
算法 1 所示. 在第 5–7 行 LLM-Extractor 首先加载 bge-large-en 模型并使用 faiss [50] 生成所有 E F 的索引, 使用 faiss
索引搜索相近词向量, 从而解决上述问题 ①; 随后在第 8 行 LLM-Extractor 计算所有 E F 实体的平均长度, 作为初
始窗口长度; 接着在第 9–15 行 LLM-Extractor 使用初始窗口滑动遍历文段, 计算整个文段和所有 E F 实体的向量欧
氏距离之和, 选出距离最近的 k 个实体再次计算平均长度作为窗口大小. 这一步的目的是减小窗口大小和目标实
体长度差距过大导致的误差, 从而解决上述问题 ②; 最后在第 17–21 行, LLM-Extractor 使用新的窗口再次滑动遍
历文段, 利用 faiss 索引搜索和每个窗口向量欧氏距离最小的 E F 实体, 若该欧氏距离小于预先设定的阈值, 则把该
匹配加入返回值集合中. 通过算法 1, LLM-Extractor 完成了文段中的 E F 实体识别, 并记录功能实体匹配的位置.
算法 1. E F 实体识别算法.

E F , 预训练的文本嵌入模型 bge, 配置文本段集合 P;
输入: 软件功能实体集合
输出: 文本窗口和匹配到的目标实体 e F 的对应关系列表 Matches.
1. function EntityIdentification ( E F , bge, P)
2. Let Matches be match list of (p, window, e F )
3. Let Embeddings be embedding list of E F
4. Model ← FlagModel(bge)
5. Embeddings ← Model.encode( E F )
6. index ← faiss.IndexFlatL2(dimension) //选择欧氏距离作为搜索方法, 生成 faiss 索引
7. index.add(Embeddings)
8. InitialWindowSize ← averageLength( E F )
9. for p in P do
10. Let relevantScores be relevant scores for p to all entities in E F
11. for window in sliding_window(p, InitialWindowSize, step_size) do
12. D, I ← index.search(Model.encode(window), len( E F )) //搜索窗口相对于所有实体的距离
13. relevantScores ← relevantScores+D[0].sorted
14. end for
15. topk_indexs ← np.argsort(relevantScores)[:k]
← calculateAverageLength(topk_indexs) //筛选最相近的 k 个实体计算新的窗口大小
16. topk_average_length
17. for window in sliding_window(p, topk_average_length, step_size) do
← index.search(Model.encode(window), top_n) //使用新的窗口大小进行匹配
18. D, I
19. e F , distance ← getEntityAndDistance(D, I)
20. if distance>threshold do
21. Matches ← Matches+(p, window, )
e F
22. end if
23. end for
24. end for
25. return Matches
26. end function

获得文档中的功能实体匹配位置后, LLM-Extractor 从这些存在匹配的语句中筛选包含至少一个软件配置项