CN105335157A

CN105335157A - 一种整合主观和客观评估的需求优先级排序方法及系统

Info

Publication number: CN105335157A
Application number: CN201510716193.5A
Authority: CN
Inventors: 邵飞; 彭蓉; 冯在文
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2015-10-29
Filing date: 2015-10-29
Publication date: 2016-02-17
Anticipated expiration: 2035-10-29
Also published as: CN105335157B

Abstract

一种整合主观和客观评估的需求优先级排序方法及系统，包括确定需求对与相对优先级的排序，得到已排序需求对；确定针对软件属性的需求重要性排序；进行需求主观重要性评估，利用机器学习得到需求初始优先级；进行需求客观影响力评估，包括根据业务流程图，构造需求依赖关系网络拓扑图，并在依赖关系网络拓扑图基础上计算需求影响力；根据调节因子，整合需求初始优先级和需求影响力，生成需求最终优先级。本发明通过构造软件属性树，简化针对单个软件属性的需求重要性信息收集过程，利用机器学习训练属性权重，为计算需求初始优先级提供支持；同时兼顾到需求之间依赖关系对需求优先级的影响，使评估结果更准确。

Description

一种整合主观和客观评估的需求优先级排序方法及系统

技术领域

本发明涉及软件需求工程技术领域，尤其涉及一种基于整合主观重要性评估和客观影响力评估的需求优先级排序方法及系统。

背景技术

需求工程是当今软件工程中面临的一个关键问题，根据美国软件行业的一项调查显示，在8000多个项目中，有三分之一的项目没能完成，即使那些完成的项目，也有一半的项目没有成功实施。在导致这些项目失败的原因中，与需求相关的原因占到了45％。需求变更和估算不准确是导致软件开发失败的两个最主要的原因。因此，在信息系统的开发过程中，如何完整准确地获取客户需求，如何在现实的各种条件约束下，对待实现需求进行优先级排序，选择出最有价值的需求优先满足，是软件开发人员面临的一个非常困难而且关键的问题。

在需求工程中，参与的涉众包括领域专家、客户、软件开发人员以及扮演其他角色的相关人员。这些涉众具有不同的知识背景、不同的关注点，对系统的利益诉求也不尽相同，对需求的重要程度认识也很难达成一致，导致需求的优先级评价受主观因素影响较大；其次，需求优先级评价往往先于系统设计和实现，缺少评价的客观指标体系，要求涉众对需求的实现成本进行准确预测存在较大困难；第三，需求之间往往存在千丝万缕的联系，割裂联系，仅比较各需求单元本身的重要程度，会带来较大误差。因此需求优先级排序一直是困扰需求工程师的关键问题之一。

需求优先级排序是为了在软件开发人员和客户之间针对需求的效益成本最大化问题以及在没有更多可用资源情况下如何选择优先实现的需求而提出的一种解决方案。通过去除那些不必要的需求并且简化那些不必要的复杂部分达到快速开发软件的目的。

目前，研究者提出了许多技术用于辅助需求优先级的确定。

第一类是成本效益需求优先级评估法。这类方法通过建立每个需求的相对价值和相对费用，优先选择那些以最小的费用产生出最大产品价值的需求。但由于需求价值和费用估计困难，成本价值比估计容易产生误差；同时需求之间存在复杂的依赖关系，简单淘汰性价比较低的需求可能导致系统功能不完整或无法实现。

第二类是需求优先级成对比较法AHP。这类方法通过将需求集合中所有的需求进行成对比较，而最终确定需求优先级。但当需求多于24个时，通过两两比较来计算就变得不合实际了。由此衍生出层次式需求优先级成对比较法等各种方法，能够较好地解决同层需求过多的问题，但随之而来的另一个问题是，面对大型系统需求繁多，过多的层次会导致深层次的需求优先级将大大低于浅层次的需求优先级而容易遭淘汰，但它们又往往是实现上层需求不可或缺的，从而导致方法失灵。

第三类方法是功能质量展开法QFD，通过关系矩阵将需求映射到设计、生产属性上，从而确定需求重要度的方法。QFD方法关键在于构建质量屋，通过从需求的重要性、与竞争对手产品的需求比较、确定产品设计属性的改进方向、估计实现难度等方面计算需求重要度。该方法避免了使用比较矩阵进行逐对比较的繁琐过程，重点分析了设计属性之间的相互作用关系，却忽略了需求间的相互关系，只适合同层需求的重要性评估。

第四类方法是基于依赖关联的需求优先级排序。这类方法首先需要定义需求之间存在的关系类型，然后根据定义通过成对比较确定需求间的关联，最后根据关联性强弱和关联边的多少确定优先级。该类方法由于也需要进行成对比较，当需求较多时，工作量仍然非常大；同时仅仅根据关联性强弱和关联边的多少确定优先级也缺乏对需求本身属性的考虑，容易使结果产生较大偏差。

发明内容

针对上述存在的技术问题，本发明的目的是提供一种整合主观影响力评估和客观重要性评估的需求优先级排序方法及系统，一方面，通过构造软件属性分解树，可以增强需求之间的可比性，从而提高优先级评价的可操作性和准确性；另一方面，利用机器学习算法生成需求主观影响力评估所需的需求初始优先级计算公式，提高软件属性权重分配的科学性，从而降低需求主观影响力评估的难度；再者，能够利用对需求间依赖关系的链路分析，并根据依赖的方向和强度自动计算需求影响力程度，弥补需求优先级主观评价可能受到涉众知识、经验局限而出现较大偏差的缺陷。

为达到上述目的，本发明采用如下的技术方案：

一种整合主观和客观评估的需求优先级排序方法，包括以下步骤：

步骤1，确定需求对与相对优先级的排序，得到已排序需求对；

设有需求对(a,b)，包括需求a和b，相应的相对优先级定义如下，

步骤2，确定针对软件属性的需求重要性排序，包括根据软件属性分解树，从其中选择关注的属性作为排序规则；按照已选择的排序规则，在每个排序规则下分别确定相应需求排序结果；

步骤3，进行需求主观重要性评估，包括基于已排序需求对和已选排序规则下需求排序结果，利用机器学习技术训练出每个排序规则的权重，生成需求初始优先级计算公式；将所有已选排序规则下需求排序结果导入计算公式，计算出需求初始优先级；

步骤4，进行需求客观影响力评估，包括根据业务流程图，构造需求依赖关系网络拓扑图，并在依赖关系网络拓扑图基础上，利用链路分析算法计算需求影响力；

步骤5，需求优先级合成，包括根据用户相应的调节因子，整合需求初始优先级和需求影响力，生成需求最终优先级，实现如下，

设有需求r_i，将需求r_i的初始优先级值IRP(r_i)除以所有需求中最大的初始优先级值，得到归一化的需求r_i的初始优先级值；将需求r_i的影响力值PPR(r_i)除以所有需求中最大的影响力值，即得到归一化的需求r_i的影响力值，然后计算如下，

需求r_i最终优先级值＝c·归一化的需求r_i初始优先级值+(1-c)·归一化的需求r_i影响力值

其中，c为调节因子。

而且，步骤3中，利用机器学习技术训练出每个排序规则的权重，实现方式如下，

步骤a，给每个需求对赋予相同的权重，并将机器学习过程最大迭代次数设定为T，T值等于已选软件属性的数目，初始化t＝1；

步骤b，执行第t次迭代，包括计算出所有已选属性的效度值，挑选其中效度值最大的软件属性，并且只将该属性的权重设定为1/t其他的属性权重不变；所述效度值计算实现如下，

对已选的某个软件属性，将该属性下需求排序结果，与某个需求对进行比较，并计算该需求对与该需求排序结果的匹配度如下，

其中，f_x(a)表示在软件属性x下需求a的排名，f_x(b)表示在软件属性x下需求b的排名，设需求对集合为S；

基于该属性对所有的需求对都经过匹配度计算之后，根据所有需求对的匹配度P_x(a,b)计算该软件属性的效度值V_x如下，

V_{x} = \underset{(a, b) &Element; S}{Σ} w (a, b) \times P_{x} (a, b)

其中，每个需求对的权重w(a,b)初始化取值为1；

步骤c，如果t<T，则调整需求对权重，将与针对该属性的需求排序结果匹配度最大的需求对的权重w(a,b)当前取值减半，并令t＝t+1，返回步骤b，直到T次迭代完毕，得到每个属性相应的权重。

而且，步骤4中，利用链路分析算法计算需求影响力，实现方式如下，

设Wⁱⁿ(r_i->r_j)表示依赖关系网络拓扑图中依赖关系边r_i->r_j的入链权重，计算如下，

W^{i n} (r_{i}, r_{j}) = \{\begin{matrix} \frac{I_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} I_{r_{p}}} & I_{r_{j}} &NotEqual; 0 \\ 0 & I_{r_{j}} = 0 \end{matrix}

其中，I_rj表示需求r_j被其它需求所依赖的依赖程度值之和，S(r_i)表示需求r_i所依赖的所有需求的集合，集合S(r_i)中任一需求记为r_p；

设W^out(r_i->r_j)表示依赖关系网络拓扑图中依赖关系边r_i->r_j的出链权重，计算如下，

W^{o u t} (r_{i}, r_{j}) = \{\begin{matrix} \frac{O_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} O_{r_{p}}} & O_{r_{j}} &NotEqual; 0 \\ 0 & O_{r_{j}} = 0 \end{matrix}

其中，O_rj表示需求r_i依赖于其他需求的依赖程度值之和；

定义需求r_j对r_i的总影响力程度值为并使用B(r_j)表示依赖于r_j的需求的集合，迭代更新需求r_j的总影响力值PPR(r_j)如下，

P R R (r_{j}) = (1 - d) + d \cdot \underset{r_{i} &Element; B (r_{j})}{Σ} P R R (r_{i}) \cdot \frac{(1 + W^{i n} (r_{i}, r_{j})) \cdot (2 - W^{o u t} (r_{i}, r_{j}))}{4}

其中，d为阻尼系数。

本发明相应提供一种整合主观和客观评估的需求优先级排序系统，包括以下模块：

需求对排序模块，用于确定需求对与相对优先级的排序，得到已排序需求对；

基于软件属性的需求重要性排序模块，用于确定针对软件属性的需求重要性排序，包括根据软件属性分解树，从其中选择关注的属性作为排序规则；按照已选择的排序规则，在每个排序规则下分别确定相应需求排序结果；

需求主观重要性评估模块，用于进行需求主观重要性评估，包括基于已排序需求对和已选排序规则下需求排序结果，利用机器学习技术训练出每个排序规则的权重，生成需求初始优先级计算公式；将所有已选排序规则下需求排序结果导入计算公式，计算出需求初始优先级；

需求客观影响力评估模块，用于进行需求客观影响力评估，包括根据业务流程图，构造需求依赖关系网络拓扑图，并在依赖关系网络拓扑图基础上，利用链路分析算法计算需求影响力；

需求优先级合成模块，用于需求优先级合成，包括根据用户相应的调节因子，整合需求初始优先级和需求影响力，生成需求最终优先级，实现如下，

其中，c为调节因子。

而且，需求主观重要性评估模块中，利用机器学习技术训练出每个排序规则的权重，包括以下子模块，

初始化子模块，用于给每个需求对赋予相同的权重，并将机器学习过程最大迭代次数设定为T，T值等于已选软件属性的数目，初始化t＝1；

权重调整子模块，用于执行第t次迭代，包括计算出所有已选属性的效度值，挑选其中效度值最大的软件属性，并且只将该属性的权重设定为1/t其他的属性权重不变；所述效度值计算实现如下，

V_{x} = \underset{(a, b) &Element; S}{Σ} w (a, b) \times P_{x} (a, b)

其中，每个需求对的权重w(a,b)初始化取值为1；

迭代判断子模块，用于如果t<T，则调整需求对权重，将与针对该属性的需求排序结果匹配度最大的需求对的权重w(a,b)当前取值减半，并令t＝t+1，返回步骤b，直到T次迭代完毕，得到每个属性相应的权重。

而且，需求客观影响力评估模块中，利用链路分析算法计算需求影响力，实现方式如下，

W^{i n} (r_{i}, r_{j}) = \{\begin{matrix} \frac{I_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} I_{r_{p}}} & I_{r_{j}} &NotEqual; 0 \\ 0 & I_{r_{j}} = 0 \end{matrix}

W^{o u t} (r_{i}, r_{j}) = \{\begin{matrix} \frac{O_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} O_{r_{p}}} & O_{r_{j}} &NotEqual; 0 \\ 0 & O_{r_{j}} = 0 \end{matrix}

其中，O_rj表示需求r_i依赖于其他需求的依赖程度值之和；

P R R (r_{j}) = (1 - d) + d \cdot \underset{r_{i} &Element; B (r_{j})}{Σ} P R R (r_{i}) \cdot \frac{(1 + W^{i n} (r_{i}, r_{j})) \cdot (2 - W^{o u t} (r_{i}, r_{j}))}{4}

其中，d为阻尼系数。

本发明具有以下优点和积极效果：

1)一方面，只需要对区分度最大的若干需求进行成对比较获取其整体相对优先级，确保涉众主观评价能够准确反应其真实意图；另一方面，通过提供针对具有确定度量标准的特定软件属性的需求重要性评价，指导用户根据软件属性度量标准对需求的重要性进行准确评价，解决主观评价仅凭感觉、无据可依的问题；同时，利用机器学习算法，通过优化各软件属性的权重，使得通过综合需求在各软件属性下的重要性排序而获得的初始优先级与开始给出的部分需求相对优先级保持一致，从而获得符合涉众真实意图的所有需求的初始优先级排序，作为主观重要性评估结果；

2)本发明基于业务之间关联关系，构造需求之间的依赖关系，使需求依赖关系的构造不会因为涉众主观认知差异而产生错误，并基于链路分析算法计算需求在依赖网络拓扑图中影响力，作为客观重要性评估结果；

3)本发明通过整合涉众需求初始优先级和需求影响力，在计算需求最终优先级的过程中同时兼顾到主观和客观两个层面，使需求最终优先级的评估结果更加准确。

附图说明

图1是本发明实施例提供的需求优先级排序方法活动图。

图2是本发明实施例提供的需求优先级排序的软件系统架构示例图。

图3是本发明实施例提供的软件属性分解树示意图。

图4是本发明实施例提供的软件属性权重计算流程图。

图5是本发明实施例提供的需求关系网络拓扑示例图。

图6是本发明实施例提供的需求关系网络拓扑实例图。

具体实施方式

以下结合附图和实施例对本发明技术方案进行详细描述。

本发明提供的一种整合主观影响力评估和客观重要性评估的需求优先级排序方法，通过在不同软件属性下对需求重要性进行排序，然后利用机器学习技术对所有的需求重要性排序结果进行合成，生成需求初始优先级；接着，通过分析业务间顺序关系，建立对应需求之间依赖关系，并构造需求依赖关系网路拓扑图，计算需求的影响力；将利用机器学习得到的涉众主观需求初始优先级与客观的需求影响力进行整合，得到需求最终的优先级排序。

本发明包括以下五个主要步骤，首先，需要确定需求对并对其相对优先级进行评估；其次，选择软件属性，并按照已选软件属性所对应的排序规则对需求重要性进行排序，为计算需求初始优先级做准备；第三，利用机器学习技术确定排序规则的权重，生成需求初始优先级计算公式，并计算所有需求的初始优先级；第四，根据业务流程图，构造需求关系网络拓扑图，并计算需求影响力；最后，整合每个需求的初始优先级和影响力，计算需求的最终优先级。具体实施时，本发明所提供方法可采用软件技术实现相应流程，涉众作为用户，在流程支持下得到需求最终的优先级排序。本发明方法具体流程如图1所示，实施例所提供一种基于主观重要性评估和客观影响力评估的需求优先级排序方法，包括以下步骤：

①确定需求对与相对优先级的排序：在所有需求中选择区分度最高的指定数目的需求对，并指定每对需求的相对优先级，从而得到已排序需求对。

参见图1中“1、选择并优先化需求对”，即进行需求对选择和相对优先级判断：具体实施时，可根据需求规格说明书，导入需求，提示涉众按照自身对于各个需求的辨识程度，从所有需求中选择特定的需求组成需求对，然后按照自己的认知判断每个需求对内需求的相对优先级，并按照公式(1)定义需求对相对优先级；也可直接输入预先选择并优先化需求对的结果。

设有需求对(a,b)，包括需求a和b，相对优先级定义如下，

通过确定所有需求对内需求的相对优先级，构成已排序需求对集合Ф。

②确定针对特定软件属性的需求重要性排序：根据软件属性分解树，从其中选择关注的属性作为排序规则；按照已选择的排序规则，在每个规则下分别对所有需求按照重要性进行排序，从而得到已选排序规则下需求排序结果。

所述步骤②可进一步包括以下子步骤：

提示涉众按照自身对于软件属性和需求的熟悉程度，选择指定数量的其所关注的属性作为排序规则；

对于已选定的每一个软件属性，根据需求对于该属性的贡献程度，对每个需求赋予重要性排名，允许重要性不同的需求存在相同的排名，最终，每一个软件属性均存在一个需求重要性排序结果。

本步骤针对软件属性对需求进行重要性排序：提示涉众选择软件属性，并针对特定软件属性所对应的排序规则对需求的重要性进行排序；

参见图1中“2.1、确定软件属性\需求排序规则(SSA)”，本发明基于软件质量国际标准ISO25010和系统安全国际标准CommonCriteria建立软件属性分解树(SAT)，如图3所示，包括12种二级非功能属性和44种三级非功能属性，三级非功能属性是对二级非功能属性的分解和具体化，软件属性分解树、软件属性解释和软件属性度量方法均保存在数据文件中，后续使用时可以加载保存的软件属性分解树(SAT)、展示所有软件属性清单和解释(instructions)，并可扩展。具体实施，可提示涉众按照自身对于软件属性的熟悉程度，从所有二级、三级非功能属性中选择至少3种适合的软件属性，软件属性的选择可以由涉众根据自身对于软件属性和需求的理解，选择其认为对需求重要性评估影响最大的若干属性；具体实施时，也可直接输入预先选择的结果。

参见图1中“2.2、按照排序规则确认需求排序(OAs)”，按照软件属性所对应的排序规则，提示涉众对所有需求进行重要性排序，对于区分度过小的需求允许其具有相同的重要性排名，每个排序规则均对应一个包含所有需求的排序结果。

③需求主观重要性评估：基于已排序需求对和已选排序规则下需求排序结果，利用机器学习技术训练出每个排序规则的权重，生成需求初始优先级计算公式；将所有已选排序规则下需求排序结果导入计算公式，计算出需求初始优先级。

所述步骤③进一步包括以下子步骤：

将已排序需求对与已选排序规则下需求排序结果进行比较，计算需求对内需求相对优先级关系与各排序规则下需求排序的匹配度；接着，寻找与所有已排序需求对的匹配度之和最高的一个或者多个排序结果，并将该排序结果所对应的软件属性赋予最大的权重1，同时将与该排序结果匹配度最高的需求对的权重减半，然后按照规定次数迭代上述过程，并在每次重复过程中调整需求对自身权重，越早挑选出的软件属性其权重也越高，随着迭代不断增加，所寻找到的软件属性的权重将以调和数列的形式逐步降低，将所有软件属性的权重计算完毕之后，便可以生成需求初始优先级计算公式；

根据需求初始优先级计算公式，以及所有已选择排序规则下需求排序结果，计算出需求初始优先级。

参见图1中“3、产生需求初始优先级(IRP)”，需求主观重要性评估：根据收集到需求对和各已选排序规则下需求排序结果，确定排序规则权重，并计算所有需求的初始优先级；

3.1、基于RankBoosting机器学习算法，可以计算已选软件属性的权重，其具体流程如图4所示，

步骤a，在执行机器学习算法之前，给每个需求对赋予相同的权重1，并将机器学习过程最大迭代次数设定为T，T值等于已选软件属性的数目，初始化t＝1；

步骤b，接着，开始执行第t次迭代，对其中某个软件属性，将该属性下需求排序结果，与某个需求对进行比较，并根据公式(2)计算该需求对与该需求排序结果的匹配度，其中设f_x(a)表示在软件属性x下需求a的排名，f_x(a)值越小，表示对于针对软件属性x，需求a越重要，同样f_x(b)表示在软件属性x下需求b的排名，设需求对集合为S，待所有的需求对都经过同样的匹配度计算之后，按照公式(3)所示，通过对所有需求对的匹配度P_x(a,b)进行加权求和，其中每个需求对的权重w(a,b)均初始化为1，从而可以得到所有需求对与该需求排序结果的匹配度加权之和，并将其看作是该软件属性的效度值V_x，该软件属性下需求排序结果与需求对相对优先级关系越吻合，则该属性效度越高，按照同样的方法可以计算出所有已选属性的效度值，挑选其中效度值最大的软件属性，并且只将该属性的权重设定为1/t其他的属性权重不变。

V_{x} = \underset{(a, b) &Element; S}{Σ} w (a, b) \times P_{x} (a, b) - - - (3)

步骤c，如果t<T，则调整需求对权重(将与针对该属性的需求排序结果匹配度最大的需求对的权重w(a,b)当前取值减半)，并继续执行第t＝t+1次迭代，直到T次迭代完毕，得到每个属性相应的权重。在整个迭代过程中，一个软件属性可能被选中多次，从而存在多个权重值，即T个权重值属于m(m<＝T)个软件属性，该m个属性构成软件属性集合B。可将相同属性的权重直接相加，留其和作为该属性最终的权重值。

3.2、按照已选软件属性的权重分布情况，将各软件属性下需求重要性排序结果进行加权求和，计算得到需求r_i的初始优先级值IRP(r_i)如下，从而生成所有需求的初始优先级。

I R P (r_{i}) = \underset{f_{u} &Element; B}{Σ} W_{f_{u}} \times f_{u} (r_{i})

其中，f_u(r_i)为在软件属性集合B中某软件属性f_u下需求r_i的排名，为软件属性f_u对应的权重值。

例如，假定最终选中了m个软件属性,分别为f1,f2,…,fm，并且每个属性对应的权重值为：W(f1),W(f2),..W(fm)。

之前已在每个软件属性下，对所有n个需求进行了排序，排名值分别为：

属性f1：f1(r1)，f1(r2)，..，f1(Rn)

属性f2：f2(r1)，f2(r2)，..，f2(Rn)

…….

属性fm：fm(r1)，fm(r2)，..，fm(Rn).

最终的需求优先级计算公式为

IRP(r1)＝W(f1)×f1(r1)+W(f2)×f2(r1)+….+W(fm)×fm(r1)

IRP(r2)＝W(f1)×f1(r2)+W(f2)×f2(r2)+….+W(fm)×fm(r2)

……

IRP(Rn)＝W(f1)×f1(Rn)+W(f2)×f2(Rn)+….+W(fm)×fm(Rn)

④需求客观影响力评估：根据业务流程图，构造需求依赖关系网络拓扑图，并在依赖关系网络拓扑图基础上，利用链路分析算法计算需求影响力。

所述步骤④进一步包括以下子步骤：

将需求文档中需求与业务流程图内业务之间建立对应关系，基于业务流程图内业务间的先后关系以及需求工程师定义的依赖关系强度，构造需求依赖关系网络拓扑图；

根据需求依赖网络拓扑图中依赖关系方向、依赖关系强度，利用改进的加权PageRank算法计算需求影响力。

4、需求客观重要性评估：根据业务流程图，构造需求依赖关系网络拓扑图，如图5所示为例，并在依赖关系网络拓扑图基础上，利用链路分析算法计算需求的影响力；

参见图1中“4.1、需求依赖关系网络拓扑图”，通过分析需求文档中基于UML的业务流程图，抽取出其中的业务间直接顺序关系，并建立起需求文档中的需求与业务之间的对应关系；根据抽取出来的业务之间顺序关系构造出需求依赖网络拓扑图，具体实施时，可以利用StarUML软件处理，抽取得到形式化的业务节点和业务之间的关联关系，也可以由用户建立需求和业务的对应关系，从而可以根据已知关系自动生成需求网络依赖图。现有的需求依赖网络拓扑图中，节点表示需求，有向边代表依赖关系，并且由依赖需求指向被依赖需求，r_i->r_j用来表示需求r_i依赖于需求r_j，有向边上的值表示依赖程度，依赖关系值1、2、3表示依赖程度的级别，值越大代表依赖程度越高，以图5所示为例，需求r₂依赖于需求r₁，需求r₃依赖于需求r₂，需求r₁和r₃存在相互依赖的关系；

参见图1中“4.2、分析需求影响力(RI)”，在需求依赖网络拓扑图的基础上，根据需求依赖关系的方向和依赖程度，利用改进的加权PageRank算法计算需求的影响力，如果某个需求被其他需求依赖的程度越高，表明该需求在整个系统中越关键，它的影响力也越大，而如果某个需求更多的依赖于其他需求，即表明该条需求会更多的受到其他需求的影响，反而其自身对整个系统的影响力较小，本发明通过计算依赖关系的入链权重、出链权重实现定量的刻画需求间相互影响力，其中Wⁱⁿ(r_i->r_j)表示依赖关系网络拓扑图中依赖关系边r_i->r_j的入链权重，该值越大，说明需求r_j对r_i的影响越大，其计算公式如(4)所示，其中I_rj表示需求r_j被其它需求所依赖的依赖程度值之和，S(r_i)表示需求r_i所依赖的所有需求的集合，集合S(r_i)中任一需求记为r_p。以图5为例，可以计算出I_r1＝3，I_r2＝2，S(r₃)＝{r₁,r₂}，进而可以计算出Wⁱⁿ(r₃->r₁)＝3/(3+2)＝0.6，该值便作为边r₃->r₁的入链权重，类似的，可以使用W^out(r_i->r_j)表示依赖关系网络拓扑图中依赖关系边r_i->r_j的出链权重，该值越大，说明需求r_j对r_i的影响越小，其计算公式如(5)所示，其中O_rj表示需求r_i依赖于其他需求的依赖程度值之和，比如O_r1＝3，O_r2＝1，并且W^out(r₃,r₁)＝3/(3+1)＝0.75，定义需求r_j对r_i的总影响力程度值为：并使用B(r_j)表示依赖于r_j的需求的集合，基于公式(6)可以计算并更新出需求r_j的总影响力值PPR(r_j)，其中阻尼系数d具体实施时可采用经验值，例如定义为0.85。可以进行预设影响力计算收敛阈值，进行迭代更新，例如将所有需求的影响力PPR值初始化为1，影响力计算收敛阈值定义为10^-6。以图5为例，经过14轮迭代之后，可以计算出需求影响力值由大到小分别为：PPR(r₁)＝0.4356，PPR(r₂)＝0.3369，PPR(r₃)＝0.3351。

W^{i n} (r_{i}, r_{j}) = \{\begin{matrix} \frac{I_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} I_{r_{p}}} & I_{r_{j}} &NotEqual; 0 \\ 0 & I_{r_{j}} = 0 \end{matrix} - - - (4)

W^{o u t} (r_{i}, r_{j}) = \{\begin{matrix} \frac{O_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} O_{r_{p}}} & O_{r_{j}} &NotEqual; 0 \\ 0 & O_{r_{j}} = 0 \end{matrix} - - - (5)

P R R (r_{j}) = (1 - d) + d \cdot \underset{r_{i} &Element; B (r_{j})}{Σ} P R R (r_{i}) \cdot \frac{(1 + W^{i n} (r_{i}, r_{j})) \cdot (2 - W^{o u t} (r_{i}, r_{j}))}{4} - - - (6)

初始时，每个需求的PPR值均等于1，该算法中的每次迭代，均会计算出所有需求的PPR新值，并替换旧值，式(6)的PRR(r_i)值表示前一次迭代后产生的值，即在第t次迭代过程中，均是在第t-1次迭代的结果的基础上，对所有需求的PPR值重新计算并替换。

⑤需求优先级合成：可以预先根据涉众自身具备的专业水平设定调节因子，整合需求初始优先级和需求影响力，生成需求最终优先级，如公式(7)所示，将需求r_i的初始优先级值IRP(r_i)除以所有需求中最大的初始优先级值，即为归一化的需求r_i的初始优先级值，将需求r_i的影响力值PPR(r_i)除以所有需求中最大的影响力值，即得到归一化的需求r_i的影响力值。

表1调节因子赋值对照表

涉众专业水平	从业经验(年)	调节因子c
			专家	[5,+∞)	0.9
高级	[3,5)	0.7
			中级	[2,3)	0.5
初级	[1,2)	0.3
			新手	[0,1)	0.1

需求r_i最终优先级值＝c·归一化的需求r_i初始优先级值+(1-c)·归一化的需求r_i影响力值(7)

参见图5，利用本发明实施例所提供方法的举例如下：

(1)在电子书店系统中，整理出如下几个需求：需求r₁表示“图书分类功能”；需求r₂表示“图书检索功能”；需求r₃表示“浏览图书功能”；需求r₄表示“图书收藏功能”；需求r₅表示“加入购物车功能”；需求r₆表示“客户登录功能”；需求r₇表示“订单确认功能”；需求r₈表示“修改购物车功能”。某个有4年电子书店系统使用经验的涉众选择了以下需求对：PA＝(r₁，r₂)、PB＝(r₃，r₆)、PC＝(r₅，r₈)}，并将需求的优先级关系定义为：r₁>r₂，r₃<r₆，r₅>r₈，该涉众认为“图书分类功能”优先级高于“图书检索功能”，“浏览图书功能”的优先级低于“客户登录功能”，“加入购物车功能”的优先级高于“修改购物车功能”；

(2)由涉众选择合适的软件属性，并且分别在每个已选软件属性下，对所有需求进行重要性排序。

(2.1)涉众根据自身对需求理解和所关注的软件特性，选择了以下软件属性：“领域功能性”、“保密性”、“性能”、“可靠性”、“可操作性”；

(2.2)在每个已选的软件属性之下，由该涉众按照软件属性所对应的排序规则对所有需求的重要性进行排序，如下所示：

针对“领域功能性”的需求排序结果S1：r₅>r₇>r₈>r₃>r₁>r₂>r₆>r₄，

针对“保密性”的需求排序结果S2：r₆>r₇>r₈>r₄>r₁＝r₂＝r₃>r₅，

针对“性能”的需求排序结果S3：r₁>r₂＝r₃＝r₄＝r₅＝r₆＝r₇＝r₈，

针对“可靠性”的需求排序结果S4：r₆>r₅>r₇>r₈>r₁＝r₂＝r₃＝r₄，

针对“可操作性”的需求排序结果S5：r₂>r₁>r₃>r₄>r₈>r₅>r₇>r₆；

(3)根据收集到已排序需求对和各排序规则下需求排序，确定排序规则权重，并计算所有需求的初始优先级。

(3.1)基于RankBoosting机器学习算法，根据匹配度计算公式，对需求对和各已选排序规则下需求排序结果的匹配度进行计算，因为本实例中选择了5个软甲属性，因此将最大迭代次数T＝5，每个需求对初始权重定义为1，需求对PA、PB、PC和需求排序结果S1的匹配度分别为1、-3、2，接着按照公式(3)计算得到需求排序S1的效度值为：0，类似的可以计算出需求排序S2、S3、S4、S5的效度值分别为：1、1、6、-7，对效度最大的需求排序所S4对应的软件属性赋予权重1，同时调整所有需求对的权重，由于需求对PA、PB、PC和需求排序结果S4的匹配度分别为0、4、2，将匹配度最大的需求对PB的权重减半，即变为0.5。然后重复以上过程，5次迭代完毕所挑选出的软件属性为：S4、S4、S3、S4、S4，并且分配的权重为：1、0.5、0.33、0.25、0.2。根据以上信息，可以确定需求初始优先级的计算公式H＝0.33×S3+1.95×S4；

(3.2)根据生成的需求初始优先级计算公式和各排序规则下需求排序结果，计算需求r₁-r₈的归一化的初始优先级值分别为：0.5836、0.5651、0.5651、0.5651、0.8913、1.0000、0.7825、0.67381，初始优先级关系为：r₆>r₅>r₇>r₈>r₁>r₂＝r₃＝r₄；

(4)根据业务流程图，构造需求依赖关系网络拓扑图，并在依赖关系网络拓扑图基础上，

利用链路分析算法计算需求的影响力。

(4.1)通过导入和分析需求文档中基于UML的业务流程图，抽取出其中的业务间直接顺序关系，建立起需求文档中的需求与业务之间的对应关系；根据抽取出来的业务之间顺序关系构造出需求依赖网络拓扑图，如图6所示，r₃依赖于r₁、r₂、r₅、r₇、r₈；r₄依赖于r₃、r₆；r₅依赖于r₃、r₆；r₇依赖于r₅、r₆、r₈；r₈依赖于r₅、r₆，在此基础上，构造需求关系网络拓扑图，具体实施时可由需求工程师配置依赖强度的级别，或由用户自行指定；

(4.2)基于需求依赖图，利用依赖关系方向和强度利用改进的加权PageRank算法计算需求的影响力，其中被依赖程度高的需求，在整个系统中被认为是更加关键的需求，它的影响力也大，而依赖程度越高的需求，表明它的实现更多的依赖于其它需求，即该需求对整个系统的影响力有限，基于图6所示的需求间依赖关系和依赖强度，求得需求r₁-r₈归一化的影响力值分别为：0.2275、0.3097、0.3442、0.1360、0.5496、1.0000、0.2569、0.3811，对应的影响力值排序为：r₆>r₅>r₈>r₃>r₂>r₇＝r₁＝r₄；

(5)根据该涉众专业能力水平对应表，设定调节因子为0.7，整合需求初始优先级和需求影响力，生成需求r₁-r₈最终优先级值为：0.4768、0.4885、0.4988、0.4364、0.7888、1.0000、0.6248、0.5860，最终优先级关系为：r₆>r₅>r₇>r₈>r₃>r₂>r₁>r₄。

具体实施时建议采用的软件系统架构图如图2所示，该系统包括客户端和服务端，相互传递用户操作消息和服务器消息，其中客户端主要支持数据输入、输出和参数配置，具体为：A.需求对的选择和相对优先级判断，B.软件属性选择和基于软件属性对需求重要性进行排序，C.需求依赖关系网络拓扑图的构造，D.系统、算法相关参数的配置，E.数据信息的展示和报表的可视化、导出，F.用户的登录和退出；服务端提供所有数据的存储、计算和分析服务以及系统管理功能，可分业务逻辑层和数据层具体为：链路分析算法引擎、机器学习算法引擎、统计分析引擎、工作流管理引擎、用户管理、系统管理、数据管理、消息管理服务、日志管理服务和反馈信息管理。

本发明所提供方法可采用计算机软件技术支持自动运行流程，具体实施时，也可以采用模块化方式提供相应系统。本发明实施例相应提供一种整合主观和客观评估的需求优先级排序系统，包括以下模块：

其中，c为调节因子。

各模块具体实现可参见相应步骤，本发明不予赘述。例如需求主观重要性评估模块中，利用机器学习技术训练出每个排序规则的权重，包括以下子模块，

V_{x} = \underset{(a, b) &Element; S}{Σ} w (a, b) \times P_{x} (a, b)

其中，每个需求对的权重w(a,b)初始化取值为1；

本发明提供了本领域技术人员能够实现的技术方案。以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims

1.一种整合主观和客观评估的需求优先级排序方法，其特征在于，包括以下步骤：

其中，c为调节因子。

2.根据权利要求1所述整合主观和客观评估的需求优先级排序方法，其特征在于：步骤3中，利用机器学习技术训练出每个排序规则的权重，实现方式如下，

V_{x} = \underset{(a, b) &Element; S}{Σ} w (a, b) \times P_{x} (a, b)

其中，每个需求对的权重w(a,b)初始化取值为1；

3.根据权利要求1或2所述整合主观和客观评估的需求优先级排序方法，其特征在于：步骤4中，利用链路分析算法计算需求影响力，实现方式如下，

W^{i n} (r_{i}, r_{j}) = \{\begin{matrix} \frac{I_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} I_{r_{p}}} & I_{r_{j}} &NotEqual; 0 \\ 0 & I_{r_{j}} = 0 \end{matrix}

W^{o u t} (r_{i}, r_{j}) = \{\begin{matrix} \frac{O_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} O_{r_{p}}} & O_{r_{j}} &NotEqual; 0 \\ 0 & O_{r_{j}} = 0 \end{matrix}

其中，O_rj表示需求r_i依赖于其他需求的依赖程度值之和；

P R R (r_{j}) = (1 - d) + d \cdot \underset{r_{i} &Element; B (r_{j})}{Σ} P R R (r_{i}) \cdot \frac{(1 + W^{i n} (r_{i}, r_{j})) \cdot (2 - W^{o u t} (r_{i}, r_{j}))}{4}

其中，d为阻尼系数。

4.一种整合主观和客观评估的需求优先级排序系统，其特征在于，包括以下模块：

其中，c为调节因子。

5.根据权利要求4所述整合主观和客观评估的需求优先级排序系统，其特征在于：需求主观重要性评估模块中，利用机器学习技术训练出每个排序规则的权重，包括以下子模块，

V_{x} = \underset{(a, b) &Element; S}{Σ} w (a, b) \times P_{x} (a, b)

其中，每个需求对的权重w(a,b)初始化取值为1；

6.根据权利要求3或4所述整合主观和客观评估的需求优先级排序系统，其特征在于：需求客观影响力评估模块中，利用链路分析算法计算需求影响力，实现方式如下，

W^{o u t} (r_{i}, r_{j}) = \{\begin{matrix} \frac{O_{r_{j}}}{\underset{r_{p} &Element; S (r_{i})}{Σ} O_{r_{p}}} & O_{r_{j}} &NotEqual; 0 \\ 0 & O_{r_{j}} = 0 \end{matrix}

其中，O_rj表示需求r_i依赖于其他需求的依赖程度值之和；

P R R (r_{j}) = (1 - d) + d \cdot \underset{r_{i} &Element; B (r_{j})}{Σ} P R R (r_{i}) \cdot \frac{(1 + W^{i n} (r_{i}, r_{j})) \cdot (2 - W^{o u t} (r_{i}, r_{j}))}{4}

其中，d为阻尼系数。