CN107589936B - 基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法 - Google Patents
基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法 Download PDFInfo
- Publication number
- CN107589936B CN107589936B CN201710823388.9A CN201710823388A CN107589936B CN 107589936 B CN107589936 B CN 107589936B CN 201710823388 A CN201710823388 A CN 201710823388A CN 107589936 B CN107589936 B CN 107589936B
- Authority
- CN
- China
- Prior art keywords
- requirement
- variability
- model
- text
- reqif
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于需求与可变性模型追踪关系的产品线配置优化方法,涉及软件产品线可变性配置领域。本发明通过可变性模型的转换,建立结构化需求的需求框架,并利用NLP技术处理文本需求,从而将文本需求分配到需求框架中,从而建立结构化的需求,并建立需求与可变性模型间的追踪关系,最后将需求特性引入到可变性模型中,并基于需求特性和可变性模型的约束,实现可变性配置的优化序列。该设计解决了难以将产品线需求特性用来指导产品配置的问题,直观、简单、有效的对产品线配置优化提供依据,从而更好的保证产品线的择优配置。
Description
技术领域
本发明涉及软件产品线可变性配置,具体地,涉及一种基于需求与可变性模型追踪关系的产品线配置优化方法。
背景技术
软件产品线是为了实现软件复用、解决软件危机和实现软件产业工业化生产方式而提出的一种方法,该方法利用软件复用的概念,把具有共享体系结构、特征、代码、构建和需求的软件产品作为同一问题空间来看待,从而更好地应用软件复用技术,提高软件开发的效率。
为了实现软件复用及对产品演化的支持,产品线方法过程分为两个基本阶段:领域工程和应用工程。领域工程即实现产品线核心资产的阶段,即描述产品线的共性和可变性。而应用工程根据产品线核心资产对特定产品中可变性进行配置从而实现特定产品。为此,领域工程需要对产品线的可变性进行有效的管理,往往领域工程实现对可变性的识别、设计和实现,而应用工程则对可变性进行配置。
工业界的应用表明,软件产品线在特定领域能够有效地提高产品质量及缩短产品推向市场的时间。软件产品线技术的应用使得惠普、诺基亚和飞利浦等大公司获得了相当大的经济效益,不仅缩短了产品上市时间,而且提高了用户满意度。但是在面临大型系统时,由于软件产品线的实施缺少业务目标的考虑,导致一些应用不成功,迫切需要建立良好的需求分析机制,以支持产品线配置。在领域工程阶段,通过分析一系列产品的共性和可变性,建立可变性模型,通过开发或复用产品线资产,建立产品线平台。跟领域工程相对应,在应用工程阶段,以产品线平台为基础,通过软件产品配置和定制开发生成满足用户需求的产品。软件产品配置是指应用工程中,根据特定系统的需求和该领域的可变性模型,配置出适用于特定系统的软件系统模型,以指导软件产品构建和生成的过程,配置的对象主要包含产品线需求和产品线体系结构模型等。
但是软件产品配置还面临一些问题,由于不同的专业领域涉及的专业知识太多,配置人员无法掌握所有的领域知识。由于众多专业组的参与,而软件配置过程中,又包含非常多的约束和依赖关系,配置过程将会非常容易产生错误。已有研究更多的是考虑软件产品配置中的约束和依赖关系,从而辅助产品配置过程中的决策,并将配置的反馈信息提供给用户,以降低配置的复杂度,提高配置的效率。
然后,产品线工程往往积累很多历史数据,这些数据涵盖需求的重要性、代价和收益等,往往对产品配置具有一定的指导含义,但是并没有被充分利用。重要的困难是产品线需求往往是以文本形式存在,没有很好的组织和管理,难以将需求特性(如重要性、实现代价和收益等)用来指导产品配置。因此,在实现产品线配置时引入需求特性并对产品配置进行指导,能够有效的实现半自动化的产品配置及优化。但如何关联需求与可变性模型,即建立需求与可变性模型间的追踪关系,是解决在产品线配置中引入需求特性的关键。建立需求与产品线可变性模型的追踪关系,实现产品线需求特性配置的指导作用,从而更好的实现可变性的优化配置。
因此,基于模型驱动的思想,研究面向软件产品线自动配置,能更好地提高软件产品线技术的实用性。研究面向配置的软件产品线需求支持技术,建立需求与产品线可变性模型的追踪关系,实现可变性模型中引入需求特性,克服传统的可变性技术较少考虑需求本身相关属性对可变性配置的影响。
发明内容
针对当前产品线的需求文本无结构化的特点,需求与可变性模型间往往缺乏追踪,从而在可变性配置中难以充分考虑需求特性,如重要性、实现代价和收益等,本发明提出一种基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法。该方法能够较好地对需求文本进行结构化,并建立需求文本与可变性模型间的追踪关系,从而在可变性配置中充分考虑需求特性对产品配置的影响。
本发明基于需求文本与可变性模型追踪关系的产品线可变性优化配置方法,具体包括如下步骤:
(1)确定建立文本需求的结构化需求模型;定义可变性模型到需求模型的转换规则;根据转换规则将可变性模型的各个元素映射成需求模型中的元素;建立结构化需求模型的框架和关键字字典。
(2)定义关键字匹配度函数;使用NLP技术处理文本需求,抽取出文本需求中的名字短语NP及其所承担的语法功能。
(3)对每个文本需求,利用关键字匹配度函数计算该文本需求中的NP与关键字的匹配度,选择具有最大匹配度的关键字K作为该文本需求的关键字;确定K在结构化需求模型框架中的位置,并将该文本需求加入到结构框架中作为K的孩子。
(4)将所有的文本需求按照(3)过程,放入结构化需求模型中,完成文本需求的结构化处理,也在结构化过程中建立了需求与领域模型的追踪关系。
(5)将需求特性附加到可变性模型中,对每个可变性用附加其上的需求的属性进行定量计算,作为可变性的一个属性;结合可变性的依赖关系、约束关系和可变性附加需求特性,对可变性进行基于启发式搜索的配置优化,得到可变性配置优化序列。
本发明的优点和积极效果在于:(1)本发明方法直观、简单、有效,使用可变性模型对需求进行结构化,并在可变性优化配置中引入需求相关特性,基于可变性模型的配置自动生成产品需求,在一定程度上解决了现有的产品线需求与领域模型分离、产品线配置中不能充分考虑需求特性等问题;(2)本发明方法将需求特性引入到产品线配置中,并在产品线配置优化中使用需求特性对配置优化进行引导,能更好的建立需求与领域模型的追踪关系,并对产品线配置优化提供依据,从而更好的保证产品线的择优配置。
附图说明
图1是本发明的产品线可变性配置优化方法的整体流程示意图;
图2是本发明实施案例HandlingSystem的CBFM模型图;
图3是本发明实施案例HandlingSystem的文本需求示意图;
图4是本发明实施案例的结果示意图;
图5是本发明实施步骤4中的需求结构生成算法示意图;
图6是本发明实施步骤11中的需求分配算法示意图。
具体实施方式
为便于本领域一般技术人员理解和实施本发明,现结合附图描述本发明的具体实施方式。
ReqIF(Requirements Interchange Format,需求交换格式)模型是一种用来实现需求交换和共享的XML描述的需求模型,而CBFM(Cardinality-based Feature model,基于基数的特征模型)是被广泛用于产品线可变性建模。为了对本发明进行说明,采用ReqIF描述结构化需求,选择CBFM为可变性模型对本发明的具体实施进行介绍,从而建立文本需求与CBFM之间的追踪关系,并将需求属性加载到CBFM相应的特征上,从而对特征进行配置优化。
下面结合实施案例系统HandlingSystem来说明。图2给出了本发明实施案例系统HandlingSystem的CBFM模型。在图2中,HandlingSystem使用多个具有基数为[1..*]的特征组FeatureGroup描述其可变性,每个FeatureGroup都包含一个对应的特征Feature,分别是Conveyor,AutomaticStorageRetrievalSystem,AutomaticGuidedVehicle。AutomaticGuidedVehicle也通过一个基数为[1..*]的FeatureGroup拥有两个特征AGVApp和AGV。AGV同理拥有Sensor,而Sensor通过基数[1..1]来描述其具体的类型,这里的类型有MagneticGuideSensor。
HandlingSystem相关特征中文说明如表1所述。
表1 HandlingSystem特征说明
图3是HandlingSystem的5个文本需求。图5是使用图2的CBFM模型对文本需求进行结构化的结果(HandlingSystem的结构化需求)。以图2和图3为源,本发明实现的产品线可变性优化配置方法的具体的步骤描述如下。
步骤P01:确定建立结构化需求的描述语言,本发明实施例中选择如今在工业界使用的、能够实现需求交换和共享的XML描述的需求模型ReqIF模型,作为结构化后需求描述的语言。
在实际中,可根据需要来选取建立结构化需求的描述语言,只要能支持文本需求并能够建立层次关系的文本需求模型都可以,例如XML,IBM Rational DOORS格式等。
步骤P02:定义可变性模型到结构化需求模型的转换规则。基于CBFM和ReqIF模型的特点,以及对结构化需求描述的要求,给出了CBFM到ReqIF模型的转化规则,如表2所示。规则RS描述从CBFM到需求结构框架的转化规则。此外由于在后续需求分配中,需要实现需求到结构的映射,由此把需求结构框架的元素名称作为关键字,建立关键字字典,依据规则RK。
表2:CBFM和ReqIF模型的转换规则
规则 | 描述 |
RS | 将特征树的节点fnode转换为ReqIF中结构说明structSpecification中的元素 |
RS1 | 为fnode创建模型元素ReqIF::SpecHierarchy,设元素名称为sh |
RS2 | 为sh创建关联的模型元素ReqIF::SpecObject,设名称为so |
RS3 | 为so创建属性类型ReqIF::AttributeValueString,保存fnode的名称 |
RS4 | 为fnode中每个属性(名字:att)在so中生成对应的属性 |
RK | 将特征树上的节点fnode转换为kwSpecification中的一个关键字ReqIF::Keyword. |
RK1 | 假设fnode转换成structSpecification中的元素,则调用RK1.1-RK1.4 |
RK1.1 | 在kwSpecification中为fnode生成ReqIF::SpecHierarchy(名字:sh). |
RK1.2 | 为sh创建ReqIF::SpecObject(名字:so). |
RK1.3 | 为so中创建ReqIF::AttributeValueString保存fnode的名字. |
RK1.4 | 为so中创建ReqIF::AttributeValueString(名字:attSynonyms)保存fnode相关的近义词 |
ReqIF模型中,SpecObject是用来描述具体需求的模型元素,Specification是需求元素(SpecObject)的容器,SpecHierarchy是用来实现需求元素层次化结构。需求元素(SpecObject)可以有不同类型的属性,例如为了保存需求名称,使用AttributeValueString作为属性的类型。AttributeValueString是用于描述模型元素的字符串属性。在建立结构化需求模型时,创建两个Specification:structSpecification和kwSpecification。其中structSpecification用来存储领域模型中的结构信息,而kwSpecification是将存在于structSpecification中的元素建立关键字字典,用于辅助后续需求分配。
步骤P03:基于元素映射进行可变性模型转换。基于表2中的规则,把图2中的各个元素映射成ReqIF模型中的元素,即将CBFM的特征树转换成ReqIF模型中的SpecHierachy并建立与之关联的SpecObject,从而形成需求结构框架。
步骤P04:建立结构化需求模型的框架。图5中给出的基于模型转化的从CBFM建立需求结构框架的过程。首先建立ReqIF模型,该模型包含两个Specificaiton:structS为建立的结构框架,kwS为建立的关键字字典。从CBFM的根节点出发,如图2中的HandlingSystem,利用traverseLevelOrder方法为该节点建立层次结构,保存在structS。traverseLevelOrder方法为节点建立层次关系时,主要完成以下任务:1)调用RS1为节点创建SpecHierachy;2)调用RS2为节点创建相应的SpecObject;3)调用RS3为节点对应的SpecObject创建属性;4)把节点对应的SpecHierachy作为其父节点对应的SpecHierachy的子结构;5)递归处理该节点的子节点。
步骤P05:建立结构化需求模型的关键字字典,在图5中,每个在structS中建立了对应SpecHierarchy的元素,都作为关键字,插入到kwS中作为关键字。
例如图2的CBFM建立的关键字字典包含的关键字有:{‘HandlingSystem’,‘Conveyor’‘AutomaticIdentificationDataCollection’,‘AutomaticStorageRetrievalSystem’,‘AutomaticGuidedVehicle’,‘AGVApp’,‘AGV’,‘Sensor’,‘MagneticguideSensor’}。
步骤P06:定义关键字匹配度函数,是为了将文本需求与关键字字典kwS中的元素进行关联。
本实例采用如下所示的Jaro相似度函数来计算两个字符串s和t间的相似程度:
其中,s′是s和t中相同的字符在s中依次出现而组成的串、t′表示s和t中相同的字符在t中依次出现而组成的串,Ts′,t′表示从s′转换成t′所要进行的变化的次数。
文本需求中的NP(Noun Phrase,名字短语)常常出现在不同的语法功能位置上,为了区分不同语法功能的NP在对需求与关键字关联程度的影响,引入加权Jaro相似度函数:
Jarow(KW,NP)=ImportanceNP*Jaro(KW,NP)
其中,KW表示关键字,NP表示文本需求中的名字短语。
NP的重要性其中n表示NP出现在需求文本中的次数,priorityi表示优先级别,定义不同的语法功能具有不同的优先级,如主语的优先级为5,状语从句优先级为4,宾语的优先级为3,补足语优先级为2,其他的语法功能优先级为1。一个需求中某个NP可能出现多次,并在需求文本中充当不同的语法功能。假设NP在需求文本中的语法功能有n种,第i种语法功能出现的次数是frequencyi。因此,一个NP的重要性,由它在文本需求中承担的所有语法功能的优先级及其出现的次数决定。
步骤P07:使用NLP(自然语言处理)技术处理文本需求,就是抽取出文本需求中的NP及其所承担的语法功能。例如对图3中的各个需求进行NP提取,并获取其语法功能,从而得到文本需求中每个NP的重要性,如表3所示。
表3:需求的NP及其重要性
步骤P08:计算文本需求与关键字的匹配度。根据P06中定义的加权Jaro相似度函数,以图3中的REQ-1为例,计算出其中的NP与各个关键字的加权Jaro相似度值,如表4所示。从而计算出对应的加权相似度,即表3中各值×表2中对应NP的重要性值。
表4:需求REQ-1的NPs与关键字的Jaro相似度
步骤P09:选择具有最大匹配度的关键字K:根据表2和表3计算出加权相似度,从而挑选出加权相似度最大的关键字HandlingSystem作为REQ-1的关键字。
步骤P10:确定K在结构化需求模型框架中的位置,并将该文本需求加入到结构框架中作为K的孩子。将需求REQ-1放入需求结构框架中作为HandlingSystem的子结点。
步骤P11:将所有的文本需求放入结构化需求模型中,即完成了需求的结构化处理,也在结构化过程中建立了需求与领域模型的追踪关系,图6给出了文本需求到需求结构框架的分配算法。处理完所有的文本需求,则完成需求结构化过程,从而得到图4所示结果。
如图6所示,输入结构化需求模型reqIFModel和需求文本textReqs,输出分配到结构化需求模型中文本需求sSP,以及未被分配的文本需求unARList。在分配过程中,调用自然语言处理器(NLP)分析unARList中的每个需求,获取需求中的NPs。据reqIFModel中的已经生成的kwSpecification,分析需求中的NPs与关键字之间的相似性,把需求分配到structSpecification中。
步骤P12:将需求特性附加到可变性模型中,对每个可变性用附加其上的需求的属性进行定量计算,作为可变性的一个属性。在图4中,各个需求的特性,如重要性、时间代价等,作为其关联的特征的属性。
步骤P13:结合可变性的依赖关系、约束关系、可变性附加需求特性,对可变性进行基于启发式搜索的配置优化,得到可变性配置优化序列。建立多目标适应度函数,包含需求附加在可变性上的特性,进行多目标搜索,从而提供可变性配置优化序列。
本发明方法以直观、简单、有效的方式,提出了一种基模于模型转换的需求与可变性模型追踪关系的建立与可变性配置优化方法,在一定程度上解决了现有的可变性配置中并未考虑需求特性的问题,更好地提高软件产品线技术的实用性。
Claims (6)
1.一种基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法,其特征在于,包括:
(1)确定建立文本需求的结构化需求模型,定义可变性模型CBFM到结构化需求模型的转换规则;根据转换规则将可变性模型的各个元素映射成结构化需求模型中的元素,建立结构化需求模型的框架和关键字字典;
(2)定义关键字匹配度函数;使用自然语言处理NLP技术处理文本需求,抽取出文本需求中的名字短语NP及其所承担的语法功能;
(3)对每个文本需求,利用关键字匹配度函数计算该文本需求中的NP与关键字的匹配度,选择具有最大匹配度的关键字K作为该文本需求的关键字;确定K在结构化需求模型框架中的位置,将该文本需求加入到结构化需求模型框架中作为K的孩子;
(4)将所有的文本需求按照(3)过程,放入结构化需求模型中,完成文本需求的结构化处理,建立了需求与领域模型的追踪关系;
(5)将需求特性附加到可变性模型中,对每个可变性用附加其上的需求的属性进行定量计算,作为可变性的一个属性;结合可变性的依赖关系、约束关系和可变性附加需求特性,对可变性进行基于启发式搜索的配置优化,得到可变性配置优化序列。
2.根据权利要求1所述的优化方法,其特征在于,所述的(1)中,结构化需求模型为需求交换格式ReqIF模型。
3.根据权利要求2所述的优化方法,其特征在于,所述的(1)中,定义的CBFM到需求模型ReqIF的转换规则如下:
RS:将CBFM特征树的节点fnode转换为ReqIF中structSpecification中的元素;
RS1:为fnode创建ReqIF::SpecHierarchy,设名称为sh;
RS2:为sh创建关联的ReqIF::SpecObject,设名称为so;
RS3:为so创建ReqIF::AttributeValueString,保存fnode的名字;
RS4:为fnode中每个属性创建属性名作为so的属性;
RK:将特征树上的节点fnode转换为kwSpecification中的一个关键字ReqIF::Keyword;
RK1:假设fnode转换成structSpecification中的元素,则调用RK1.1-RK1.4;
RK1.1:在kwSpecification中为fnode生成ReqIF::SpecHierarchy,设名称为sh;
RK1.2:为sh创建关联的ReqIF::SpecObject,设名称为so;
RK1.3:为so创建ReqIF::AttributeValueString,保存fnode的名字;
RK1.4:为so创建ReqIF::AttributeValueString,保存fnode相关的近义词;
其中,structSpecification用来存储ReqIF模型中的结构信息,kwSpecification用于根据存在于structSpecification中的元素建立关键字字典,SpecObject是描述具体需求的模型元素,SpecHierarchy是实现需求元素的层次化结构,AttributeValueString是用于描述模型元素的字符串属性。
4.根据权利要求3所述的优化方法,其特征在于,所述的(1)中,建立ReqIF模型中的结构框架structS;
然后,从CBFM的根节点出发,利用traverseLevelOrder方法为该节点建立层次结构,保存在structS中;
所述的traverseLevelOrder方法包括:1)调用规则RS1为节点创建SpecHierachy;2)调用规则RS2为节点创建相应的SpecObject;3)调用规则RS3为节点对应的SpecObject创建属性;4)把节点对应的SpecHierachy作为其父节点对应的SpecHierachy的子结构;5)递归处理该节点的子节点。
5.根据权利要求3或4所述的优化方法,其特征在于,所述的(1)中,建立ReqIF模型中的关键字字典kwSpecification,具体是将每个在结构框架structS中建立的对应SpecHierarchy的元素,都作为kwSpecification中的关键字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710823388.9A CN107589936B (zh) | 2017-09-13 | 2017-09-13 | 基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710823388.9A CN107589936B (zh) | 2017-09-13 | 2017-09-13 | 基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107589936A CN107589936A (zh) | 2018-01-16 |
CN107589936B true CN107589936B (zh) | 2020-10-30 |
Family
ID=61051870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710823388.9A Active CN107589936B (zh) | 2017-09-13 | 2017-09-13 | 基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107589936B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144481B (zh) * | 2018-08-21 | 2021-07-16 | 北京航空航天大学 | 面向领域的软件密集型系统的构件化软件配置方法 |
CN109919688B (zh) * | 2019-03-29 | 2021-03-05 | 杭州电子科技大学 | 一种考虑市场因素的电子烟产品线规划方法 |
CN116342148B (zh) * | 2023-03-23 | 2023-11-17 | 山东添睿智慧信息科技有限公司 | 一种医疗垃圾无害一体化溯源管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894038A (zh) * | 2010-08-02 | 2010-11-24 | 复旦大学 | 软件产品线开发中特征可变性的逆向工程分析方法 |
CN104615438A (zh) * | 2015-02-13 | 2015-05-13 | 南京航空航天大学 | 一种软件产品线的特征切片模型检测方法 |
-
2017
- 2017-09-13 CN CN201710823388.9A patent/CN107589936B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894038A (zh) * | 2010-08-02 | 2010-11-24 | 复旦大学 | 软件产品线开发中特征可变性的逆向工程分析方法 |
CN104615438A (zh) * | 2015-02-13 | 2015-05-13 | 南京航空航天大学 | 一种软件产品线的特征切片模型检测方法 |
Non-Patent Citations (1)
Title |
---|
软件产品线可变性建模技术系统综述;聂坤明等;《软件学报》;20130930;第24卷(第9期);第2001-2019页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107589936A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343857B (zh) | 线上部署机器学习模型的方法、设备和存储介质 | |
CN107589936B (zh) | 基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法 | |
CN112306497A (zh) | 一种将自然语言转化为程序代码的方法及系统 | |
CN111538825B (zh) | 知识问答方法、装置、系统、设备及存储介质 | |
CN114327483A (zh) | 图张量神经网络模型建立方法及源代码语义识别方法 | |
Wardhana et al. | Transformation of sysml requirement diagram into owl ontologies | |
Bosch et al. | XSLT transformation generating OWL ontologies automatically based on XML Schemas | |
CN102662929A (zh) | 一种基于本体的问题智能分析处理的方法和装置 | |
CN103473243A (zh) | 生成语义网络服务文档的方法和设备 | |
CN113065322A (zh) | 一种代码段注释生成方法、系统及可读存储介质 | |
CN115878818B (zh) | 一种地理知识图谱构建方法、装置、终端及存储介质 | |
CN112148879B (zh) | 一种自动给代码打数据结构标签的计算机可读存储介质 | |
Al-Azzawi | PyFml-a Textual Language For Feature Modeling | |
CN115935943A (zh) | 一种支持自然语言结构计算的分析框架 | |
CN115470232A (zh) | 模型训练和数据查询方法、装置、电子设备和存储介质 | |
CN114372148A (zh) | 一种基于知识图谱技术的数据处理方法及终端设备 | |
Rajbhoj et al. | DocToModel: Automated Authoring of Models from Diverse Requirements Specification Documents | |
CN114375447A (zh) | 计算系统中的语言语句处理 | |
Olszewska et al. | Dynamic OWL Ontology Design Using UML and BPMN. | |
CN114298427B (zh) | 企业属性数据预测方法、装置、电子设备及存储介质 | |
CN111709250B (zh) | 用于信息处理的方法、装置、电子设备和存储介质 | |
US20230385701A1 (en) | Artificial intelligence engine for entity resolution and standardization | |
CN108875938B (zh) | 一种中药协同开发过程中隐性知识显性化的方法 | |
Meinert | The Problem of Computing the Most Probable Tree of a Probabilistic Tree Automaton | |
Zhu et al. | Business Process Text Sketch Automation Generation Using Large Language Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220125 Address after: 215488 No. 301, building 11, phase II, Taicang University Science Park, No. 27, Zigang Road, science and education new town, Taicang City, Suzhou City, Jiangsu Province Patentee after: Tianhang Changying (Jiangsu) Technology Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |