CN116882396A - 功能点分析方法、装置、计算机设备、存储介质和产品 - Google Patents
功能点分析方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN116882396A CN116882396A CN202310684632.3A CN202310684632A CN116882396A CN 116882396 A CN116882396 A CN 116882396A CN 202310684632 A CN202310684632 A CN 202310684632A CN 116882396 A CN116882396 A CN 116882396A
- Authority
- CN
- China
- Prior art keywords
- function
- function point
- type
- point
- target function
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 156
- 230000006870 function Effects 0.000 claims abstract description 715
- 238000013136 deep learning model Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 37
- 238000003058 natural language processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请涉及人工智能技术领域,涉及一种功能点分析方法、装置、计算机设备、存储介质和产品。上述方法包括:根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词;根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点;根据目标功能点的功能信息,确定目标功能点的功能点类型;根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。采用本方法能够提高功能点分析效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种功能点分析方法、装置、计算机设备、存储介质和产品。
背景技术
功能点(Function Point,FP)是度量项目或产品规模的度量单元,例如,可以通过功能点对金融项目的规模进行度量。在进行项目或工程规模估计时,可以基于功能点分析结果对项目或工程的规模进行估算。
传统方法中,通过人工的方式进行功能点分析,得到功能点分析结果。然而,传统的通过人工进行功能点分析的方法,存在分析效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高功能点分析效率的功能点分析方法、装置、计算机设备、存储介质和产品。
第一方面,本申请提供了一种功能点分析方法。所述方法包括:
根据待分析项目的项目文档和预设的深度学习模型,获取所述项目文档中的关键词;
根据所述关键词和预设的功能点识别规则,确定与所述待分析项目相关的目标功能点;
根据所述目标功能点的功能信息,确定所述目标功能点的功能点类型;
根据所述目标功能点的功能名称和所述功能点类型,确定所述目标功能点的个数。
在其中一个实施例中,所述方法还包括:
利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
根据所述语义分析结果,获取所述功能点识别规则。
在其中一个实施例中,所述根据所述语义分析结果,获取所述功能点识别规则,包括:
根据所述语义分析结果,确定所述文本内容中的文本名词;
根据所述文本名词所在位置和所述文本名词的语境信息,获取所述功能点识别规则。
在其中一个实施例中,所述根据所述目标功能点的功能名称和所述功能点类型,确定所述目标功能点的个数,包括:
根据所述功能名称和所述功能点类型,从所述功能点分析指南中确定所述目标功能点的类型参数以及所述类型参数对应的权重;所述类型参数包括数据元素类型、引用文件类型和记录元素类型;
根据所述目标功能点的类型参数以及所述类型参数对应的权重,确定所述目标功能点的个数。
在其中一个实施例中,所述根据所述目标功能点的功能信息,确定所述目标功能点的功能点类型,包括:
根据所述目标功能点的功能信息,确定所述目标功能点的功能类型;所述功能类型包括事务功能和数据功能;
针对每一类功能类型,从所述功能类型中获取所述目标功能点的初始功能点类型;
对每一类功能类型对应的初始功能点类型进行合并处理,得到所述功能点类型。
在其中一个实施例中,所述方法还包括:
获取历史项目对应的历史项目文档以及所述历史项目文档对应的标准关键词;
将所述历史项目文档输入预设的初始深度学习模型,获取所述历史项目文档中的样本关键词;
根据所述样本关键词和所述标准关键词,对所述初始深度学习模型进行训练,得到所述深度学习模型。
第二方面,本申请还提供了一种功能点分析装置。所述装置包括:
关键词获取模块,用于根据待分析项目的项目文档和预设的深度学习模型,获取所述项目文档中的关键词;
目标功能点确定模块,用于根据所述关键词和预设的功能点识别规则,确定与所述待分析项目相关的目标功能点;
功能点类型确定模块,用于根据所述目标功能点的功能信息,确定所述目标功能点的功能点类型;
功能点个数确定模块,用于根据所述目标功能点的功能名称和所述功能点类型,确定所述目标功能点的个数。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项实施例中的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
上述功能点分析方法、装置、计算机设备、存储介质和产品,可以根据待分析项目的项目文档和预设的深度学习模型,从待分析项目的项目文档中便捷地获取项目文档中的关键词,且可以根据关键词和预先获取的预设的功能点识别规则,便捷地确定与待分析项目相关的目标功能点,因此,本申请能够根据预设的深度学习模型和预设的功能点识别规则,便捷地确定出待分析项目的目标功能点,从而避免了传统方法中通过人工的方式进行功能点分析,导致的分析效率低的问题,进而,根据便捷地确定出的目标功能点的功能信息,能够便捷地确定目标功能点的功能点类型,且根据便捷地确定出的目标功能点的功能名称和功能点类型,便捷地确定目标功能点的个数,提高功能点分析的效率。
附图说明
图1为一个实施例中功能点分析方法的应用环境图;
图2为一个实施例中功能点分析方法的流程示意图;
图3为另一个实施例中功能点识别规则获取步骤的流程示意图;
图4为一个实施例中功能点个数确定步骤的流程示意图;
图5为一个实施例中功能点类型确定步骤的流程示意图;
图6为另一个实施例中模型训练步骤的流程示意图;
图7为一个可选的实施例中功能点分析方法的流程示意图;
图8为一个实施例中功能点分析装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的功能点分析方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词;服务器104根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点;服务器104根据目标功能点的功能信息,确定目标功能点的功能点类型;服务器104根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。终端102可以将目标功能点、目标功能点的功能点类型及目标功能点的个数输出至用户,以使用户或者开发人员对目标功能点的相关信息进行检查及修改。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种功能点分析方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S201,根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词。
其中,待分析项目是指需要进行功能点分析的项目。功能点(Function Point,FP)是度量项目或产品规模的度量单元,例如,可以通过功能点对金融项目的规模进行度量。在进行项目或工程规模估计时,可以基于功能点进行分析,得到功能点分析结果,并基于功能点分析结果对项目或工程的规模进行估算。待分析项目的项目文档是指在对待分析项目进行功能点分析的过程中需要使用的与该待分析项目相关的文档。示例性的,待分析项目的项目文档可以包括但不局限于待分析项目的用户需求说明书/需求变更、技术方案建议书、需求变更评估报告、产品功能分析说明书等文档。预设的深度学习模型用于快速识别和拓展软件领域、银行领域及交叉领域等相关领域的知识。预设的深度学习模型可以是已完成模型训练的深度学习模型中的任意一种。例如,预设的深度学习模型包括但不局限于稠密神经网络模型、卷积神经网络模型以及循环神经网络模型等。项目文档中的关键词是指待分析项目的项目文档中与软件领域、银行领域及交叉领域等领域相关的专业名词。
可选地,服务器可以获取开发人员上传的待分析项目的项目文档。然后,服务器可以将待分析项目的项目文档输入至预设的深度学习模型中进行数据处理,生成待分析项目的项目文档中的关键词。或者,服务器也可以先基于预设的深度学习模型和与软件领域、银行领域及交叉领域等领域相关的同义词库构建预设知识库,再根据预设知识库对待分析项目的项目文档进行语义分析及数据提取,得到待分析项目的项目文档中的关键词。其中,可以是从开源的数据库中获取同义词库;或者,也可以是先获取初始同义词库,再基于预设的深度学习模型所生成的新的同义词对初始同义词库进行同义词更新,生成同义词库。预设知识库中包括预设的深度学习模型和与软件领域、银行领域及交叉领域等领域相关的同义词库。
S202,根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点。
可选地,服务器可以先获取预设的功能点识别规则。可选的,可以是预先设置预设的功能点识别规则;或者,也可以是利用自然语言处理技术从预设的功能点分析指南中提取预设的功能点识别规则。当然,本申请对于获取预设的功能点识别规则的具体方法不做限定。从而,服务器可以根据预设的功能点识别规则对项目文档中的各关键词进行识别,就可以从项目文档中的各关键词中确定与待分析项目相关的目标功能点。其中,预设的功能点识别规则是用于进行功能点识别的规则,使用预设的功能点识别规则就可以判断出与待分析项目相关的目标功能点。与待分析项目相关的目标功能点是指待分析项目中的所有功能点。待分析项目中可以包括至少一个目标功能点。
S203,根据目标功能点的功能信息,确定目标功能点的功能点类型。
可选地,服务器可以预先对功能点进行分类,示例性的,可以将功能点分为五类,其中功能点的功能点类型可以包括但不局限于内部逻辑文件(Internal Logical File,ILF)、外部接口文件(External Interface File,ELF)、外部输入(External Inputs,EI)、外部输出(External Outputs,EO)和外部查询(External inQuiries,EQ)。从而,服务器可以根据目标功能点的功能信息,确定目标功能点的功能点类型。其中,目标功能点的功能信息用于描述目标功能点的作用或功能。示例性的,假设目标功能点是“学生信息表”,且目标功能点的功能信息是“学生信息表用于存储学生信息”,则可以根据目标功能点的功能信息确定出目标功能点的功能点类型为“内部逻辑文件ILF”。
S204,根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。
可选地,在确定出与待分析项目相关的目标功能点之后,就可以确定出目标功能点的功能名称。其中,目标功能点的功能名称即为目标功能点的名称。示例性的,假设目标功能点是“学生信息表”,则目标功能点的功能名称就是“学生信息表”。从而,服务器可以根据目标功能点的功能名称和功能点类型,基于目标功能点的功能名称和功能点类型对应的计算规则进行计算,得到目标功能点的个数。目标功能点的个数是指待分析项目的项目文档中所包含的目标功能点的个数。示例性的,针对目标功能点“学生信息表”,则其对应的目标功能点的个数表示的是“学生信息表”的数目。
此外,在确定出待分析项目中的各目标功能点的功能名称、各目标功能点的功能点类型和各目标功能点的个数之后,服务器可以对待分析项目中的各目标功能点的功能名称、各目标功能点的功能点类型和各目标功能点的个数进行统计及汇总,生成功能点估算书。其中,功能点估算书用于保存待分析项目中的各目标功能点的功能名称、各目标功能点的功能点类型和各目标功能点的个数。功能点估算书可以是表格形式的文件,或者,功能点估算书也可以是图片形式的文件。当然,本申请实施例对于功能点估算书的具体形式不做限定。
上述功能点分析方法中,可以根据待分析项目的项目文档和预设的深度学习模型,从待分析项目的项目文档中便捷地获取项目文档中的关键词,从而,开发人员不需要研读大量的项目文档,就能够减少功能点分析过程所需要的时间,且可以根据关键词和预先获取的预设的功能点识别规则,便捷地确定与待分析项目相关的目标功能点,因此,本申请能够根据预设的深度学习模型和预设的功能点识别规则,便捷地确定出待分析项目的目标功能点,从而避免了传统方法中通过人工的方式进行功能点分析,导致的分析效率低的问题,进而,根据便捷地确定出的目标功能点的功能信息,能够便捷地确定目标功能点的功能点类型,且根据便捷地确定出的目标功能点的功能名称和功能点类型,便捷地确定目标功能点的个数,提高功能点分析的效率。
在上面的实施例中,涉及到了根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点,下面将对获取预设的功能点识别规则的具体方法进行介绍。在一个实施例中,如图3所示,功能点分析方法还包括:
S301,利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果。
可选地,服务器可以预先获取预设的功能点分析指南,从而获取预设的功能点分析指南中的文本内容。接着,可选的,服务器可以直接利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;或者,服务器也可以先对预设的功能点分析指南中的文本内容进行预处理,生成预处理后的预设的功能点分析指南中的文本内容。其中,预处理过程指的是去除文本内容中与功能点分析无关的信息,从而从预设的功能点分析指南中提取出与功能点分析相关的文本内容。从而,服务器可以再利用自然语言处理技术对预处理后的预设的功能点分析指南中的文本内容进行语义分析,获取该文本内容中的主语、谓语、宾语等关键信息以及关键信息之间的关系,生成语义分析结果。
其中,自然语言处理技术可以包括但不局限于词性标注的方法以及依存句法等。预设的功能点分析指南中包括了进行功能点分析过程中需要使用的识别规则、分类规则、计算规则及计算参数等信息。语义分析结果是指从预设的功能点分析指南中的文本内容中提取出来的关键信息以及关键信息之间的关系。
S302,根据语义分析结果,获取功能点识别规则。
可选地,服务器可以根据从预设的功能点分析指南中的文本内容中提取出来的关键信息以及关键信息之间的关系,确定出预设的功能点识别规则。
在其中一个可选的实施例中,S302包括:
根据语义分析结果,确定文本内容中的文本名词。
根据文本名词所在位置和文本名词的语境信息,获取功能点识别规则。
可选地,服务器可以根据从预设的功能点分析指南中的文本内容中提取出来的关键信息以及关键信息之间的关系,确定预设的功能点分析指南中的文本内容中的文本名词。之后,服务器可以再根据文本内容中的文本名词所在位置和文本名词的语境信息,获取功能点识别规则。其中,文本内容中的文本名词用于指示功能点识别规则所在的位置。文本名词所在位置和文本名词的语境信息是指文本名词所在的段落以及文本名词与上下文之间的关系。示例性的,服务器可以从预设的功能点分析指南中确定语义分析结果包括“功能点”、“规则”、“计算方法”、“调整系数”等;服务器可以再根据语义分析结果“规则”,确定文本内容中的文本名词“识别规则”。从而,服务器可以根据“识别规则”所在位置和“识别规则”的语境信息,获取功能点识别规则为:“当数据或元素满足XX条件时,则确定该数据为目标功能点”。
此外,通过上述方法不仅可以获取功能点识别规则,而且可以从预设的功能点分析指南中获取功能点分类规则、功能点计算规则及功能点计算参数等信息。其中,功能点分类规则是用于确定功能点类型的规则。功能点计算规则及功能点计算参数是用于进行功能点计算的规则及参数。功能点分类规则、功能点计算规则及功能点计算参数的获取方法与功能点识别规则的获取方法同理,在此不做赘述。
另外,由于在进行功能点分析的过程中所使用到的相关规则和相关参数可能会随着不同的领域、不同的项目或不同的团队而发生改变,因此,在本申请实施例中,还可以支持开发人员对获取的功能点识别规则进行修改,以提高相关规则和相关参数的灵活性和适应性,从而确保相关规则和相关参数能够更加符合实际应用场景。示例性的,可以在终端上提供一个界面或配置文件,以使开发人员能够修改功能点分析过程中所使用到的相关规则和相关参数。
本实施例中,可以利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,能够较准确地获取语义分析结果,再根据语义分析结果较准确地确定文本内容中的文本名词,并根据文本名词所在位置和文本名词的语境信息,能够较准确地获取功能点识别规则,即能够得到用于进行功能点分析的、较准确的功能点识别规则,能够结合功能点分析指南,自动地提取出功能点识别规则,从而自动地识别功能点,能够实现功能点的自动分析。
在上面的实施例中,涉及到了根据目标功能点的功能名称和功能点类型,确定目标功能点的个数,下面将对其具体方法进行介绍。在一个实施例中,如图4所示,S204包括:
S401,根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;类型参数包括数据元素类型、引用文件类型和记录元素类型。
可选地,服务器可以根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;或者,服务器可以预先从预设的功能点分析指南中获取功能点计算规则及功能点计算参数,从而,服务器可以根据功能名称、功能点类型、功能点计算规则及功能点计算参数,确定目标功能点的类型参数以及类型参数对应的权重。其中,目标功能点的类型参数包括数据元素类型(Data Element Types,DET)、引用文件类型(File Types Referenced,FTR)和记录元素类型(Record Element Types,RET)中的至少一个。一般的,在计算内部逻辑文件ILF和外部接口文件ELF对应的功能点个数时,需要使用的类型参数为数据元素类型DET和记录元素类型RET;在计算外部输入EI、外部输出EO和外部查询EQ对应的功能点个数时,需要使用的类型参数为数据元素类型DET和引用文件类型FTR。类型参数对应的权重用于衡量不同类型的功能点的复杂性,类型参数对应的权重包括功能点的数据元素类型对应的权重、功能点的引用文件类型对应的权重和功能点的记录元素类型对应的权重。
示例性的,假设目标功能点是“学生信息表”,则目标功能点的功能名称就是“学生信息表”,且目标功能点的功能点类型为“内部逻辑文件ILF”。从而,服务器可以从预设的功能点分析指南中获取目标功能点“学生信息表”对应的数据元素类型DET为12,以及目标功能点“学生信息表”对应的记录元素类型RET为5。进而,服务器可以从预设的功能点分析指南中获取“学生信息表”对应的记录元素类型RET所对应的权重为10,以及“学生信息表”对应的记录元素类型RET所对应的权重为14。
S402,根据目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。
可选地,服务器可以从预先从预设的功能点分析指南中获取功能点计算规则及功能点计算参数,从而,服务器可以根据功能点计算规则及功能点计算参数、目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。示例性的,表1为经过功能点分析所得到的各目标功能点的功能点个数。
表1
示例性的,假设目标功能点是“学生信息表”,则服务器可以获取目标功能点“学生信息表”对应的数据元素类型DET为12,以及目标功能点“学生信息表”对应的记录元素类型RET为5。且服务器可以获取“学生信息表”对应的记录元素类型RET所对应的权重为10,以及“学生信息表”对应的记录元素类型RET所对应的权重为14。从而,根据目标功能点“学生信息表”对应的计算规则及计算参数,服务器可以将DET等于12和RET等于5代入(DET×10)+(RET×14)中,从而根据(12×10)+(5×14)进行计算,就可以计算出目标功能点“学生信息表”的功能点个数为170个。
本实施例中,根据功能名称和功能点类型,能够便捷地从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重,再根据目标功能点的类型参数以及类型参数对应的权重,能够根据功能点分析指南中的计算规则和计算参数,便捷地确定出目标功能点的个数。
在上面的实施例中,涉及到了根据目标功能点的功能信息,确定目标功能点的功能点类型,下面将对其具体方法进行介绍。在一个实施例中,如图5所示,S203包括:
S501,根据目标功能点的功能信息,确定目标功能点的功能类型;功能类型包括事务功能和数据功能。
可选地,服务器可以根据目标功能点的功能信息,直接从预设的功能点分析指南中确定目标功能点的功能类型。或者,服务器也可以预先从预设的功能点分析指南中获取功能点分类规则。从而,服务器可以根据目标功能点的功能信息和功能点分类规则,确定目标功能点的功能类型。其中,目标功能点的功能类型包括事务功能和数据功能。示例性的,若一个功能点的功能是对数据进行处理,则该功能点的功能类型是数据功能;若一个功能点的功能是对数据进行一系列操作,和/或对数据库进行增加、删除、修改、查询等操作,则该功能点的功能类型是事务功能。
S502,针对每一类功能类型,从功能类型中获取目标功能点的初始功能点类型。
其中,若功能类型为数据功能,则数据功能包括的初始功能点类型可以是内部逻辑文件ILF和外部接口文件ELF;若功能类型为事务功能,则事务功能包括的初始功能点类型可以是外部输入EI、外部输出EO和外部查询EQ。因此,不同的功能类型所包括的初始功能点类型有所不同。
可选地,由于不同的功能类型所包括的初始功能点类型不同,因此,针对每一类功能类型,服务器可以从预设的功能点分析指南中获取各功能类型对应的目标功能点的功能点权重;或者,服务器可以从预设的功能点分析指南中获取功能点分类规则,再根据功能点分类规则计算各功能类型对应的目标功能点的功能点权重。此外,服务器还可以从预设的功能点分析指南中获取不同的功能点类型对应的功能点标准权重。之后,服务器可以将各目标功能点对应的功能点权重与不同的功能点类型对应的功能点标准权重进行比较,得到比较结果。从而,服务器可以根据比较结果确定各目标功能点的初始功能点类型。
示例性的,针对功能类型为数据功能的目标功能点,假设服务器计算出的目标功能点对应的功能点权重为7,且服务器获取的内部逻辑文件ILF对应的功能点标准权重为7,服务器获取的外部接口文件ELF对应的功能点标准权重为9。那么,服务器就可以将目标功能点对应的功能点权重与内部逻辑文件ILF对应的功能点标准权重进行比较,并将目标功能点对应的功能点权重与外部接口文件ELF对应的功能点标准权重进行比较,得到比较结果。该比较结果可以表示目标功能点对应的功能点权重与内部逻辑文件ILF对应的功能点标准权重相等,则服务器可以确定该目标功能点的初始功能点类型为内部逻辑文件ILF。
S503,对每一类功能类型对应的初始功能点类型进行合并处理,得到功能点类型。
可选地,针对功能类型为数据功能的目标功能点,服务器可以确定出各目标功能点的初始功能点类型是内部逻辑文件ILF或者外部接口文件ELF;针对功能类型为事务功能的目标功能点,服务器可以确定出各目标功能点的初始功能点类型是外部输入EI或者外部输出EO或者外部查询EQ。从而,服务器可以对每一类功能类型对应的初始功能点类型进行合并处理,得到汇总后的功能点类型。其中,功能点类型为对各初始功能点类型进行汇总后所得到的各目标功能点的功能点类型。
本实施例中,根据目标功能点的功能信息,能够便捷地确定目标功能点的功能类型是事务功能或数据功能。由于不同的功能类型所包括不同的初始功能点类型,因此,可以针对每一类功能类型,从功能类型中便捷地获取目标功能点的初始功能点类型,从而,可以对每一类功能类型对应的初始功能点类型进行合并处理,能够便捷地确定出各目标功能点的功能点类型。
在上面的实施例中,涉及到了根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词,下面将对生成预设的深度学习模型的具体方法进行介绍。在一个实施例中,如图6所示,功能点分析方法还包括:
S601,获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词。
可选地,服务器可以从终端或者预设数据库中获取相关领域中的历史项目对应的初始项目文档以及历史项目对应的功能点估算书,并对历史项目对应的初始项目文档以及历史项目对应的功能点估算书进行预处理,得到历史项目对应的历史项目文档以及历史项目文档对应的标准关键词。其中,历史项目是指已经完成功能点分析的项目。历史项目对应的初始项目文档可以包括但不局限于历史项目的用户需求说明书/需求变更、技术方案建议书、需求变更评估报告、产品功能分析说明书等文档。历史项目对应的功能点估算书用于保存历史项目中的各目标功能点的功能名称、各目标功能点的功能点类型和各目标功能点的个数。预处理过程可以包括但不局限于去除无关信息、分离文本和标签等操作。历史项目文档是指历史项目中与功能点分析相关的文档,历史项目文档中包括专业术语、领域概念和功能点描述等信息,可以用来训练和拓展预设知识库。历史项目文档对应的标准关键词是指历史项目文档中与软件领域、银行领域及交叉领域等领域相关的专业名词。
S602,将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词。
可选地,服务器可以使用自然语言处理技术构建预设的初始深度学习模型。示例性的,预设的初始深度学习模型可以包括但不局限于词嵌入模型或者循环神经网络模型等。从而,服务器可以将历史项目对应的历史项目文档作为预设的初始深度学习模型的输入数据,输入至预设的初始深度学习模型中,得到历史项目文档中的样本关键词。
S603,根据样本关键词和标准关键词,对初始深度学习模型进行训练,得到深度学习模型。
可选地,服务器可以根据样本关键词和标准关键词进行计算,得到损失函数的值。根据计算出的损失函数的值,服务器可以对初始深度学习模型的初始模型参数进行调整,从而得到中间模型参数,以及中间模型参数对应的中间深度学习模型。再将历史项目文档输入中间深度学习模型中,得到新的历史项目文档中的样本关键词。根据标准关键词和新的样本关键词再次计算新的损失函数的值,直到新的损失函数的值达到最小值时,将此时损失函数的值所对应的中间模型参数作为目标模型参数。基于目标模型参数对初始深度学习模型的初始模型参数进行更新,生成预设的深度学习模型。
本实施例中,获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词,可以对软件领域、银行领域及交叉领域的专业名词进行收集,并将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词。再根据样本关键词和标准关键词,能够对初始深度学习模型进行训练,从而得到训练好的深度学习模型,能够利用深度学习和自然语言处理技术进行模型训练,且由于训练好的深度学习模型是使用历史项目文档以及历史项目文档对应的标准关键词经过多轮训练所得到的,因此,预设的深度学习模型具有较高的准确性。
为了便于本领域技术人员的理解,下边对本申请提供的功能点分析方法进行详细介绍,如图7所示,该方法可以包括:
S701,获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词;
S702,将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词;
S703,根据样本关键词和标准关键词,对初始深度学习模型进行训练,得到深度学习模型;
S704,根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词;
S705,利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
S706,根据语义分析结果,确定文本内容中的文本名词;
S707,根据文本名词所在位置和文本名词的语境信息,获取功能点识别规则;
S708,根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点;
S709,根据目标功能点的功能信息,确定目标功能点的功能类型;功能类型包括事务功能和数据功能;
S710,针对每一类功能类型,从功能类型中获取目标功能点的初始功能点类型;
S711,对每一类功能类型对应的初始功能点类型进行合并处理,得到功能点类型;
S712,根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;类型参数包括数据元素类型、引用文件类型和记录元素类型;
S713,根据目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。
上述功能点分析方法中,可以根据待分析项目的项目文档和预设的深度学习模型,从待分析项目的项目文档中便捷地获取项目文档中的关键词,从而,开发人员不需要研读大量的项目文档,能够减少功能点分析过程所需要的时间。且可以根据关键词和预先获取的预设的功能点识别规则,便捷地确定与待分析项目相关的目标功能点,因此,本申请能够根据预设的深度学习模型和预设的功能点识别规则,便捷地确定出待分析项目的目标功能点,从而避免了传统方法中通过人工的方式进行功能点分析,导致的分析效率低的问题,进而,根据便捷地确定出的目标功能点的功能信息,能够便捷地确定目标功能点的功能点类型,且根据便捷地确定出的目标功能点的功能名称和功能点类型,便捷地确定目标功能点的个数,能够提高功能点分析的效率。
此外,由于本申请能够减少项目前期功能点分析所需的时间,能够在同样的项目周期内增加项目开发时间,从而能够提高项目开发的质量。且采用统一的功能点识别规则等功能点分析规则进行功能点分析,相较于采用人工进行功能点分析而言,能够更加全面地进行功能点分析,因此,能够提高功能点分析的准确率。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的功能点分析方法的功能点分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个功能点分析装置实施例中的具体限定可以参见上文中对于功能点分析方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种功能点分析装置,包括:关键词获取模块10、目标功能点确定模块11、功能点类型确定模块12和功能点个数确定模块13,其中:
关键词获取模块10,用于根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词。
目标功能点确定模块11,用于根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点。
功能点类型确定模块12,用于根据目标功能点的功能信息,确定目标功能点的功能点类型。
功能点个数确定模块13,用于根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。
在一个实施例中,功能点分析装置还包括:
语义分析结果获取模块,用于利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
功能点识别规则获取模块,用于根据语义分析结果,获取功能点识别规则。
在一个实施例中,功能点识别规则获取模块包括:
文本名词确定单元,用于根据语义分析结果,确定文本内容中的文本名词;
功能点识别规则获取单元,用于根据文本名词所在位置和文本名词的语境信息,获取功能点识别规则。
在一个实施例中,功能点个数确定模块13包括:
类型参数及权重确定单元,用于根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;类型参数包括数据元素类型、引用文件类型和记录元素类型;
功能点个数确定单元,用于根据目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。
在一个实施例中,功能点类型确定模块12包括:
功能类型确定单元,用于根据目标功能点的功能信息,确定目标功能点的功能类型;功能类型包括事务功能和数据功能;
初始功能点类型获取单元,用于针对每一类功能类型,从功能类型中获取目标功能点的初始功能点类型;
功能点类型确定单元,用于对每一类功能类型对应的初始功能点类型进行合并处理,得到功能点类型。
在一个实施例中,功能点分析装置还包括:
历史项目文档获取模块,用于获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词;
样本关键词获取模块,用于将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词;
模型训练模块,用于根据样本关键词和标准关键词,对初始深度学习模型进行训练,得到深度学习模型。
上述功能点分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储功能点分析数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种功能点分析方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词;
根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点;
根据目标功能点的功能信息,确定目标功能点的功能点类型;
根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
根据语义分析结果,获取功能点识别规则。
在一个实施例中,根据语义分析结果,获取功能点识别规则,处理器执行计算机程序时还实现以下步骤:
根据语义分析结果,确定文本内容中的文本名词;
根据文本名词所在位置和文本名词的语境信息,获取功能点识别规则。
在一个实施例中,根据目标功能点的功能名称和功能点类型,确定目标功能点的个数,处理器执行计算机程序时还实现以下步骤:
根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;类型参数包括数据元素类型、引用文件类型和记录元素类型;
根据目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。
在一个实施例中,根据目标功能点的功能信息,确定目标功能点的功能点类型,处理器执行计算机程序时还实现以下步骤:
根据目标功能点的功能信息,确定目标功能点的功能类型;功能类型包括事务功能和数据功能;
针对每一类功能类型,从功能类型中获取目标功能点的初始功能点类型;
对每一类功能类型对应的初始功能点类型进行合并处理,得到功能点类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词;
将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词;
根据样本关键词和标准关键词,对初始深度学习模型进行训练,得到深度学习模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词;
根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点;
根据目标功能点的功能信息,确定目标功能点的功能点类型;
根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
根据语义分析结果,获取功能点识别规则。
在一个实施例中,根据语义分析结果,获取功能点识别规则,计算机程序被处理器执行时还实现以下步骤:
根据语义分析结果,确定文本内容中的文本名词;
根据文本名词所在位置和文本名词的语境信息,获取功能点识别规则。
在一个实施例中,根据目标功能点的功能名称和功能点类型,确定目标功能点的个数,计算机程序被处理器执行时还实现以下步骤:
根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;类型参数包括数据元素类型、引用文件类型和记录元素类型;
根据目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。
在一个实施例中,根据目标功能点的功能信息,确定目标功能点的功能点类型,计算机程序被处理器执行时还实现以下步骤:
根据目标功能点的功能信息,确定目标功能点的功能类型;功能类型包括事务功能和数据功能;
针对每一类功能类型,从功能类型中获取目标功能点的初始功能点类型;
对每一类功能类型对应的初始功能点类型进行合并处理,得到功能点类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词;
将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词;
根据样本关键词和标准关键词,对初始深度学习模型进行训练,得到深度学习模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据待分析项目的项目文档和预设的深度学习模型,获取项目文档中的关键词;
根据关键词和预设的功能点识别规则,确定与待分析项目相关的目标功能点;
根据目标功能点的功能信息,确定目标功能点的功能点类型;
根据目标功能点的功能名称和功能点类型,确定目标功能点的个数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
根据语义分析结果,获取功能点识别规则。
在一个实施例中,根据语义分析结果,获取功能点识别规则,计算机程序被处理器执行时还实现以下步骤:
根据语义分析结果,确定文本内容中的文本名词;
根据文本名词所在位置和文本名词的语境信息,获取功能点识别规则。
在一个实施例中,根据目标功能点的功能名称和功能点类型,确定目标功能点的个数,计算机程序被处理器执行时还实现以下步骤:
根据功能名称和功能点类型,从功能点分析指南中确定目标功能点的类型参数以及类型参数对应的权重;类型参数包括数据元素类型、引用文件类型和记录元素类型;
根据目标功能点的类型参数以及类型参数对应的权重,确定目标功能点的个数。
在一个实施例中,根据目标功能点的功能信息,确定目标功能点的功能点类型,计算机程序被处理器执行时还实现以下步骤:
根据目标功能点的功能信息,确定目标功能点的功能类型;功能类型包括事务功能和数据功能;
针对每一类功能类型,从功能类型中获取目标功能点的初始功能点类型;
对每一类功能类型对应的初始功能点类型进行合并处理,得到功能点类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史项目对应的历史项目文档以及历史项目文档对应的标准关键词;
将历史项目文档输入预设的初始深度学习模型,获取历史项目文档中的样本关键词;
根据样本关键词和标准关键词,对初始深度学习模型进行训练,得到深度学习模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种功能点分析方法,其特征在于,所述方法包括:
根据待分析项目的项目文档和预设的深度学习模型,获取所述项目文档中的关键词;
根据所述关键词和预设的功能点识别规则,确定与所述待分析项目相关的目标功能点;
根据所述目标功能点的功能信息,确定所述目标功能点的功能点类型;
根据所述目标功能点的功能名称和所述功能点类型,确定所述目标功能点的个数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用自然语言处理技术对预设的功能点分析指南中的文本内容进行语义分析,获取语义分析结果;
根据所述语义分析结果,获取所述功能点识别规则。
3.根据权利要求2所述的方法,其特征在于,所述根据所述语义分析结果,获取所述功能点识别规则,包括:
根据所述语义分析结果,确定所述文本内容中的文本名词;
根据所述文本名词所在位置和所述文本名词的语境信息,获取所述功能点识别规则。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述目标功能点的功能名称和所述功能点类型,确定所述目标功能点的个数,包括:
根据所述功能名称和所述功能点类型,从所述功能点分析指南中确定所述目标功能点的类型参数以及所述类型参数对应的权重;所述类型参数包括数据元素类型、引用文件类型和记录元素类型;
根据所述目标功能点的类型参数以及所述类型参数对应的权重,确定所述目标功能点的个数。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标功能点的功能信息,确定所述目标功能点的功能点类型,包括:
根据所述目标功能点的功能信息,确定所述目标功能点的功能类型;所述功能类型包括事务功能和数据功能;
针对每一类功能类型,从所述功能类型中获取所述目标功能点的初始功能点类型;
对每一类功能类型对应的初始功能点类型进行合并处理,得到所述功能点类型。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取历史项目对应的历史项目文档以及所述历史项目文档对应的标准关键词;
将所述历史项目文档输入预设的初始深度学习模型,获取所述历史项目文档中的样本关键词;
根据所述样本关键词和所述标准关键词,对所述初始深度学习模型进行训练,得到所述深度学习模型。
7.一种功能点分析装置,其特征在于,所述装置包括:
关键词获取模块,用于根据待分析项目的项目文档和预设的深度学习模型,获取所述项目文档中的关键词;
目标功能点确定模块,用于根据所述关键词和预设的功能点识别规则,确定与所述待分析项目相关的目标功能点;
功能点类型确定模块,用于根据所述目标功能点的功能信息,确定所述目标功能点的功能点类型;
功能点个数确定模块,用于根据所述目标功能点的功能名称和所述功能点类型,确定所述目标功能点的个数。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684632.3A CN116882396A (zh) | 2023-06-09 | 2023-06-09 | 功能点分析方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684632.3A CN116882396A (zh) | 2023-06-09 | 2023-06-09 | 功能点分析方法、装置、计算机设备、存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116882396A true CN116882396A (zh) | 2023-10-13 |
Family
ID=88263313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684632.3A Pending CN116882396A (zh) | 2023-06-09 | 2023-06-09 | 功能点分析方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882396A (zh) |
-
2023
- 2023-06-09 CN CN202310684632.3A patent/CN116882396A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Heterogeneous hypergraph embedding for document recommendation | |
CN111898366B (zh) | 文献主题词聚合方法、装置、计算机设备及可读存储介质 | |
WO2020232898A1 (zh) | 文本分类方法、装置、电子设备及计算机非易失性可读存储介质 | |
JP2020512651A (ja) | 検索方法、装置及び非一時的コンピュータ読取可能記憶媒体 | |
CN109542956A (zh) | 报表生成方法、装置、计算机设备和存储介质 | |
CN111782824A (zh) | 信息查询方法、装置、系统和介质 | |
CN112527970A (zh) | 数据字典标准化处理方法、装置、设备及存储介质 | |
CN109271624A (zh) | 一种目标词确定方法、装置及存储介质 | |
CN114153995B (zh) | 医学术语的处理方法、装置、计算机设备和存储介质 | |
WO2023246849A1 (zh) | 回馈数据图谱生成方法及冰箱 | |
CN117149804A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Sun et al. | A scenario model aggregation approach for mobile app requirements evolution based on user comments | |
CN112463896B (zh) | 档案编目数据处理方法、装置、计算设备及存储介质 | |
CN115098619A (zh) | 资讯去重方法、装置、电子设备及计算机可读取存储介质 | |
CN116882396A (zh) | 功能点分析方法、装置、计算机设备、存储介质和产品 | |
CN114691835A (zh) | 基于文本挖掘的审计计划数据生成方法、装置和设备 | |
CN113779248A (zh) | 数据分类模型训练方法、数据处理方法及存储介质 | |
CN114547231A (zh) | 一种数据溯源的方法和系统 | |
CN116187313B (zh) | 基于自然语言处理技术的电力操作票设备识别与勘误方法 | |
WO2024069941A1 (ja) | 情報処理装置、検索方法、及び検索プログラム | |
Chen et al. | Analyzing User Behavior History for constructing user profile | |
US20230297880A1 (en) | Cognitive advisory agent | |
CN117216559A (zh) | 通信辐射源识别方法、系统、设备及存储介质 | |
CN117828025A (zh) | 基于人工智能的文件内容审查方法、装置和计算机设备 | |
CN116894195A (zh) | 文本相似度计算方法、装置、计算机设备和存储介质 |
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 |