معالجة اللغة الطبيعية لاستنتاج المتطلبات في الجامعة باستخدام خوارزمية KMEANS وMEANSHIFT
محتوى المقالة الرئيسي
الملخص
تمثل هندسة المتطلبات المبنية على البيانات DDRE رؤية للتحول من الأساليب التقليدية الثابتة للقيام بهندسة المتطلبات إلى الأساليب الديناميكية التي تعتمد على البيانات والتي تركز على المستخدم. البيانات المتاحة والمتطلبات المتزايدة التعقيد لبرامج النظام التي يمكن أن تتكيف وظائفها مع الاحتياجات المتغيرة لكسب ثقة مستخدميها، تحتاج إلى نهج في عملية هندسة البرمجيات المستمرة. هذه الحاجة تدفع إلى ظهور تحديات جديدة في مجال هندسة المتطلبات لمواجهة التغييرات المطلوبة. كانت المشكلة في هذه الدراسة هي طريقة تناقضات البيانات التي أدت إلى إعاقة عملية استنباط الاحتياجات وفي نهاية تطوير البرمجيات وجدت تناقضات لا يمكن أن تلبي احتياجات أصحاب المصلحة وأهداف المنظمة. يهدف البحث إلى جمع ودمج البيانات من مصادر متعددة وضمان قابلية التشغيل البيني. الاستنتاج في هذا البحث هو أن خوارزمية التجميع تساعد في جمع البيانات وعملية الاستنباط لها تأثير أكبر إلى حد ما على التقييمات المقدمة من قبل المتخصصين للأزواج التي تنتمي إلى نفس المجموعة. ومع ذلك، فإن تأثير POS tagging) ) على التقييمات التي يقدمها المحترفون يكون متسقًا نسبيًا بالنسبة للأزواج داخل نفس المجموعة والأزواج في مجموعات مختلفة.
Received 26/09/2023
Revised 10/02/2024
Accepted 12/02/2024
Published 25/02/2024
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Shafiq M, Zhang Q, Akbar MA, Khan AA, Hussain S, Fazal-E-Amin, et al. Effect of Project Management in Requirements Engineering and Requirements Change Management Processes for Global Software Development. IEEE Access. 2018;6(May 2018):25747–63. http://dx.doi.org/10.1109/ACCESS.2018.2834473.
Mavin A, Mavin S, Penzenstadler B, Venters CC. Towards an ontology of requirements engineering approaches. Proc IEEE Int Conf Requir Eng. 2019;2019-Septe:514–5. http://dx.doi.org/ 10.1109/RE.2019.00080.
Andry JF, Hadiyanto, Gunawan V. Intelligent Decision Support System for Supply Chain Risk Management Process (SCRMP) with COBIT 5 in Furniture Industry. Int J Adv Sci Eng Inf Technol. 2023;13(2):736–43. http://dx.doi.org/10.18517/ijaseit.13.2.17359.
Hemmati A, Al Alam SMD, Carlson C. Utilizing product usage data for requirements evaluation. Proc - 2018 IEEE 26th Int Requir Eng Conf RE 2018. 2018;432–5. http://dx.doi.org/10.1109/RE.2018.00056.
Adetoba Bolaji T, Ogundele Israel O. Requirements Engineering Techniques in Software Development Life-Cycle Methods : A Systematice Literature Review. Int J Adv Res Comput Eng Technol. 2018;7(10):733–43.
Andry JF, Hadiyanto, Gunawan V. Critical Factors of Supply Chain Based on Structural Equation Modelling for Industry 4.0. J Eur des Systèmes Autom. 2023;56(2):187–94. http://dx.doi.org/10.18280/jesa.560202.
Petersen P, Stage H, Langner J, Ries L, Rigoll P, Philipp Hohl C, et al. Towards a Data Engineering Process in Data-Driven Systems Engineering. ISSE 2022 - 2022 8th IEEE Int Symp Syst Eng Conf Proc. 2022;1–8. http://dx.doi.org/10.1109/ISSE54508.2022.10005441.
Kourla SR, Putti E, Maleki M. REBD: A Conceptual Framework for Big Data Requirements Engineering. 2020;(2018):79–87.AIRCC. http://dx.doi.org/10.5121/csit.2020.100608.
Berry DM. The requirements engineering reference model: A fundamental impediment to using formal methods in software systems development. Proc - 2019 IEEE 27th Int Requir Eng Conf Work REW 2019. 2019;17(3):109. http://dx.doi.org/10.1109/REW.2019.00024.
Hansch G, Schneider P, Brost GS. Deriving impact-driven security requirements and monitoring measures for industrial IoT. CPSS 2019 - Proc 5th ACM Cyber-Physical Syst Secur Work co-located with AsiaCCS 2019. 2019;37–45. http://dx.doi.org/10.1145/3327961.3329528.
Juneja P, Kaur P. Software Engineering for Big Data Application Development: Systematic Literature Survey Using Snowballing. 2019 Int Conf Comput Power Commun Technol GUCON 2019. 2019;492–6. https://ieeexplore.ieee.org/document/8940574.
Guzmán L, Oriol M, Rodríguez P, Franch X, Jedlitschka A, Oivo M. How can quality awareness support rapid software development? - A research preview. Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics). 2017;10153 LNCS:167–73. http://dx.doi.org/10.1007/978-3-319-54045-0_12.
Altarturi HH, Ng KY, Ninggal MIH, Nazri ASA, Ghani AAA. A requirement engineering model for big data software. 2017 IEEE Conf Big Data Anal ICBDA 2017. 2018;2018-Janua(November):111–7. 1 http://dx.doi.org/0.1109/ICBDAA.2017.8284116.
D’Aloisio G. Quality-Driven Machine Learning-based Data Science Pipeline Realization: a software engineering approach. Proc - Int Conf Softw Eng. 2022;291–3. http://dx.doi.org/10.1109/ICSE-Companion55297.2022.9793779.
Andry JF, Sibaran R, Yefta VN. Analysis of Big Data Football Club Market Value Using K-Means and Linear Regression Mining Methods. J Comput Sci. 2023;19(2):286–94. http://dx.doi.org/10.3844/JCSSP.2023.286.294.
Zhao L, Alhoshan W, Ferrari A, Letsholo KJ, Ajagbe MA, Chioasca EV, et al. Natural Language Processing for Requirements Engineering. ACM Comput Surv. 2021;54(3):1–41. http://dx.doi.org/10.1145/3444689.
Wang Q, Du W, Ma C, Gu Z. Gradient Color Leaf Image Segmentation Algorithm Based on Meanshift and Kmeans. IEEE Adv Inf Technol Electron Autom Control Conf. 2021;2021:1609–14. http://dx.doi.org/10.1145/3444689.
Allala SC, Sotomayor JP, Santiago D, King TM, Clarke PJ. Generating Abstract Test Cases from User Requirements using MDSE and NLP. IEEE Int Conf Softw Qual Reliab Secur QRS. 2022;2022-Decem:744–53. http://dx.doi.org/10.1109/QRS57517.2022.00080
Muhajir M. MyBotS Prototype on Social Media Discord with NLP Imam Al Maksur Abstract : Introduction : Materials and Methods. Baghdad Sci. J. 2021;18(1):753–63. https://bsj.uobaghdad.edu.iq/index.php/BSJ/article/view/5954.
Patwary MKH, Haque MM. A semi-supervised machine learning approach using K-means algorithm to prevent burst header packet flooding attack in optical burst switching network. Baghdad Sci J. 2019;16(3):804–15. http://dx.doi.org/10.21123/bsj.2019.16.3(Suppl.).0804.