CN118095425A - 基于知识图谱的需求关联方法、装置、设备及存储介质 - Google Patents
基于知识图谱的需求关联方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118095425A CN118095425A CN202410060813.3A CN202410060813A CN118095425A CN 118095425 A CN118095425 A CN 118095425A CN 202410060813 A CN202410060813 A CN 202410060813A CN 118095425 A CN118095425 A CN 118095425A
- Authority
- CN
- China
- Prior art keywords
- demand
- requirement
- new
- entity
- knowledge graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000012827 research and development Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于知识图谱的需求关联方法、装置、设备及存储介质，所述方法包括：获取目标领域的需求先验数据，根据所述需求先验数据构建需求知识图谱；在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体；根据所述新需求与所述需求实体的关联关系，更新所述需求知识图谱。根据本申请实施例提供的方法，在项目研发过程中，可以实现多层、海量需求之间自动关联、追踪，快速准确的定位需求相关关系，减少人力成本。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种基于知识图谱的需求关联方法、装置、设备及存储介质。
背景技术
目前，随着项目研发过程逐步深入，需求逐步增多，不同需求层次、条目、版本、复用及共享之间错综复杂，但由于项目的整体性，每条需求并不是孤立存在的，而且需求相互之间关联、追踪关系至关重要。
现有的需求关联关系建立手段主要是通过在需求管理系统中，进行需求条目、层次、版本等之间手动关联，随着需求逐步增多，手动建立关联关系已不切实际，工作量大且容易出错，因此迫切需要一种自动化建立关联关系的技术手段。
发明内容
本申请实施例提供了一种基于知识图谱的需求关联方法、装置、设备及存储介质，以至少解决相关技术中难以自动建立需求关联关系的技术问题。
根据本申请实施例的一个方面，提供了一种基于知识图谱的需求关联方法，包括：
获取目标领域的需求先验数据，根据所述需求先验数据构建需求知识图谱；在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体；根据所述新需求与所述需求实体的关联关系，更新所述需求知识图谱。
在一个可选地实施例中，根据所述需求先验数据构建需求知识图谱，包括：
根据所述需求先验数据中的需求条目关联关系，得到所述需求知识图谱中需求之间的关系；
将所述需求先验数据中的需求条目，作为所述需求知识图谱中的需求实体；
根据所述需求先验数据、预设的神经网络模型以及预设的规则匹配方法，抽取需求属性信息；
根据提取的需求关系、需求实体以及需求属性，构建所述需求知识图谱。
在一个可选地实施例中，根据所述需求先验数据、预设的语言处理模型以及预设的规则匹配方法，抽取需求属性信息，包括：
将所述需求先验数据输入所述语言处理模型，得到文本分词信息、关键词信息；
根据所述文本分词信息、关键词信息，以及预设的规则匹配方法，抽取需求属性信息。
在一个可选地实施例中，在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体，包括：
提取所述新需求的属性信息；
根据需求属性信息计算所述新需求与所述需求知识图谱中需求实体的属性覆盖度；
在所述属性覆盖度大于预设阈值的情况下，确定所述新需求与所述需求实体关联。
在一个可选地实施例中，根据需求属性信息计算所述新需求与所述需求知识图谱中需求实体的属性覆盖度，包括：
统计新需求的属性个数；
分别统计每个需求实体与所述新需求的共有属性个数；
根据每个需求实体与所述新需求的共有属性个数与所述新需求的属性个数的商，得到每个需求实体与所述新需求的属性覆盖度。
在一个可选地实施例中，在所述属性覆盖度大于预设阈值的情况下，确定所述新需求与所述需求实体关联之前，还包括：
根据每个需求实体与所述新需求的属性覆盖度，计算属性覆盖度平均值；
根据所述属性覆盖度平均值，确定所述预设阈值。
在一个可选地实施例中，更新所述需求知识图谱之后，还包括：
基于所述需求知识图谱，进行需求查询以及分析需求关联数据，得到需求分析报告。
根据本申请实施例的另一个方面，提供了一种基于知识图谱的需求关联装置，包括：
知识图谱构建模块，用于获取目标领域的需求先验数据，根据所述需求先验数据构建需求知识图谱；
关联关系识别模块，用于在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体；
知识图谱更新模块，用于根据所述新需求与所述需求实体的关联关系，更新所述需求知识图谱。
根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的基于知识图谱的需求关联方法。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述基于知识图谱的需求关联方法。
本申请实施例提供的技术方案可以包括以下有益效果：
本申请实施例提供的基于知识图谱的需求关联方法，在目标领域中，利用先验需求知识进行图谱构建，描述需求之间所存在的交错关系，然后对新加入需求在图谱中搜索识别，自动确认与已有需求之间关联关系，并将新建立关联关系加入图谱中，随着研发过程逐步深入，图谱逐渐丰富，对于新关联关系识别准确度及速度逐渐提高，可以实现多层、海量需求之间自动关联、追踪，快速准确的定位需求相关关系，减少人力成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种基于知识图谱的需求关联方法的流程图；
图2是根据本申请实施例的另一种基于知识图谱的需求关联方法的流程图；
图3是根据本申请实施例的另一种基于知识图谱的需求关联方法的流程图；
图4是根据本申请实施例的一种构建需求知识图谱的示意图；
图5是根据本申请实施例的一种需求关联关系识别的示意图；
图6是根据本申请实施例的一种基于知识图谱的需求关联装置的示意图；
图7是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提出一种基于知识图谱的需求关联关系建立方法，针对需求之间层次关系，通过构建知识图谱，进行关联关系确认。再有新需求加入的情况下，自动识别关联关系。本方法适用于项目研发过程中，面对多层、海量需求之间实现自动关联、追踪的各种情况。
下面结合附图1对本申请实施例的基于知识图谱的需求关联方法进行详细介绍，如图1所示，该方法主要包括如下步骤：
S101获取目标领域的需求先验数据，根据需求先验数据构建需求知识图谱。
在实际相关研发过程，某目标研发领域内，其需求之间相关性、关联程度较大，因此，方法利用已积累的需求先验数据实现知识图谱构建。
在一个可选地实施例中，根据需求先验数据构建需求知识图谱。包括：首先，获取目标领域的需求先验数据。其中，目标领域可以是软件工程领域、医疗健康领域、广告策划领域、金融领域、保险领域、网络安全领域等。本申请实施例不做具体限定。例如，在网络安全领域，根据网络安全领域积累的需求数据，构建需求知识图谱。将积累的需求数据存储在网络安全领域对应的需求管理系统，需求管理系统中包含多个网络安全需求条目，对需求信息进行层次化、条目化和版本化管理，需求条目之间具有关联关系。
进一步地，根据需求先验数据中的需求条目关联关系，得到需求知识图谱中需求之间的关系。方法首先进行关系确认，依赖于需求管理系统，方法首先将系统需求属性条目进行梳理，作为图谱中需求关系，例如需求条目之间包括上下级关系、组成关系、互斥关系等，根据需求条目之间的关系，得到需求之间的关联关系。
进一步地，将需求先验数据中的需求条目，作为需求知识图谱中的需求实体。根据需求管理系统，提取需求条目，将需求条目作为知识图谱的需求实体。例如，在网络安全领域，提取的需求实体包括{病毒Virus，漏洞Vulner，木马Trojan}等。
进一步地，根据需求先验数据、预设的神经网络模型以及预设的规则匹配方法，抽取需求属性信息。
在一种可能的实现方式中，将需求先验数据输入语言处理模型，得到文本分词信息、关键词信息。根据文本分词信息、关键词信息，以及预设的规则匹配方法，抽取需求属性信息。
具体地，将需求描述数据输入语言处理模型，进行文本分词，例如，采用CRF文本分词方法，还可以采用基于规则的分词方法，然后提取关键词，可以采用现有技术中的关键词提取算法，本申请实施例不做具体限定。
基于分词后的数据以及预设的规则匹配方法，抽取需求属性信息。在一个示例性场景中，需求实体属性抽取规则是：{project_id，requirement_name，requirement_id，risk，edition，Security clearance}＝<项目id，需求名，需求编号，风险，版本，安全等级>。具体的抽取规则可根据实际项目情况自行设定，本申请实施例不做具体限制。
最后，根据提取的需求关系、需求实体以及需求属性，构建需求知识图谱，并存储到相关图数据库中。
图4是根据本申请实施例的一种构建需求知识图谱的示意图；如图4所示，需求管理系统存储的需求条目包括关联业务、所属模块、目标、版本、关联需求、影响分析、风险分析、等级、分类等多个属性信息。提取需求实体、属性、关系，组建知识图谱，如图4所示，需求A和需求D、需求B、需求C相关联，需求A、需求D、需求B、需求C分别包含多个属性。
根据该步骤，目标领域的需求数据事先存储在需求管理系统，通过需求管理系统进行需求条目、版本管理，可以基于需求管理系统积累的先验需求知识进行图谱构建，描述需求之间所存在的交错关系。
S102在有新需求加入的情况下，识别新需求与需求知识图谱中的需求实体的关联关系，得到与新需求具有关联关系的需求实体。
针对于新加入的需求条目，首先对需求进行实体识别、属性抽取等操作，操作同样使用基于深度学习和规则的方式，然后根据所抽取信息在构建的需求知识图谱中进行搜索比较，根据搜索结果及预先定义的关联规则进行关联关系识别，找出与新加入的需求具有关联关系的需求实体，本申请利用属性覆盖度作为关联规则。
在一个可选地实施方式中，识别新需求与需求知识图谱中的需求实体的关联关系，得到与新需求具有关联关系的需求实体，包括：提取新需求的属性信息；根据需求属性信息计算新需求与需求知识图谱中需求实体的属性覆盖度；在属性覆盖度大于预设阈值的情况下，确定新需求与需求实体关联。
在一个可选地实施例中，根据需求属性信息计算新需求与需求知识图谱中需求实体的属性覆盖度，包括：
统计新需求的属性个数；分别统计每个需求实体与新需求的共有属性个数；根据每个需求实体与新需求的共有属性个数与新需求的属性个数的商，得到每个需求实体与新需求的属性覆盖度。
在一个可选地实施例中，如图5所示，需求D有三个属性，分别是业务A、风险B、等级B，需求C有4个属性，分别是业务A、风险B、等级B、目标A，需求C与需求D的共有属性有3个。其属性覆盖度为3/3＝1，需求C包含需求D。属性涵盖程度100％，根据识别规则，需求D与需求C具有关联关系。
需求B有三个属性，分别是目标A、模块A、影响A，需求B与需求D的共有属性个数为0，其属性覆盖度为0/3＝0。肯定小于阈值，图中需求B与需求D没有关联关系。
在本申请实施例中，在属性覆盖度大于预设阈值的情况下，确定新需求与需求实体关联，预设阈值可根据属性覆盖度平均值确定。其中，根据每个需求实体与新需求的属性覆盖度，计算整个网络的属性覆盖度平均值；根据属性覆盖度平均值，确定预设阈值。
可选地，本领域技术人员可以根据实际需求自行设定阈值，例如，设置阈值为60％，若属性覆盖度大于60％，则确定两个需求具有关联关系。
在某个需求实体与新需求的属性覆盖度大于阈值的情况下，确定这两个需求具有关联关系。
根据本申请的方法，再有新需求加入时，对新加入需求在图谱中搜索识别，自动确认与已有需求之间关联关系。可以快速进行需求关联。
S103根据新需求与需求实体的关联关系，更新需求知识图谱。
在本申请实施例中，根据新需求的需求实体、属性，以及识别的关联关系，自动将新需求加入需求知识图谱，更新需求知识图谱。随着研发过程逐步深入，图谱逐渐丰富，对于新关联关系识别准确度及速度逐渐提高。
在一个可选地实施例中，更新需求知识图谱之后，还包括：查询以及分析需求关联数据，得到需求分析报告。
在一个可选地实施例中，得到需求知识图谱后，可以分析需求关联数据，生成需求分析报告。具体地，根据需求实体数据，进行需求分类，得到需求所属类别。
具体地，训练需求分类模型，获取需求文本数据，对需求文本数据进行类别标注，得到标注的训练数据。根据标注的训练数据训练需求分类模型。需求分类模型可以采用BiLSTM-CRF的模型结构。模型输入的是词嵌入向量，输出是每个单词对应的类别标签。
根据识别出的需求类别，以及需求的关联关系，可以得到与该需求类别具有关联关系的需求类别。以及生成该类别下，需求实体之间的关联关系。可以帮助研发人员快速掌握需求类别的重要程度，以及类别之间的关联。
本申请实施例提供的需求分析报告，可以统计需求的类别数据，关联关系数据等。可选地，需求分析报告包括：需求ID、需求实体、需求属性、需求类别、与需求具有关联关系的其他需求实体、需求所属类别下的具有关联关系的需求实体等。
生成需求知识图谱后，还可以进行需求检索。获取用户输入的需求检索信息，对需求检索文字信息进行分词等预处理，输入查询框，可以快速获取查询的需求条目信息，以及与需求相关联的其他需求条目信息。
为了便于理解本申请实施例提供的基于知识图谱的需求关联方法，下面结合附图2和3进一步描述。
如图2所示，方法主要包含知识图谱构建、关联关系识别、关联关系建立三部分，将构建的需求知识图谱存入图数据库。
具体的方法流程如图3所示，首先，根据目标领域的需求先验数据，提取需求的关系、实体、属性，根据提取的关系、实体、属性构建需求知识图谱并存储。
进一步地，进行新需求实体和属性的识别，然后进行需求关联关系确认并记录，将新需求更新到知识图谱，存入图数据库。随着研发过程逐步深入，需求逐步复杂，呈网状交错，之间关联关系逐步紧密，其非常适合使用知识图谱进行描述，并且能够快速准确的定位相关关系。
本申请实施例提供的基于知识图谱的需求关联方法，在目标领域中，利用先验需求知识进行图谱构建，描述需求之间所存在的交错关系，然后对新加入需求在图谱中搜索识别，自动确认与已有需求之间关联关系，并将新建立关联关系加入图谱中，随着研发过程逐步深入，图谱逐渐丰富，对于新关联关系识别准确度及速度逐渐提高，可以实现多层、海量需求之间自动关联、追踪，快速准确的定位需求相关关系，减少人力成本。
根据本申请实施例的另一个方面，还提供了一种用于实施上述基于知识图谱的需求关联方法的基于知识图谱的需求关联装置。如图6所示，该装置包括：
知识图谱构建模块601，用于获取目标领域的需求先验数据，根据需求先验数据构建需求知识图谱；
关联关系识别模块602，用于在有新需求加入的情况下，识别新需求与需求知识图谱中的需求实体的关联关系，得到与新需求具有关联关系的需求实体；
知识图谱更新模块603，用于根据新需求与需求实体的关联关系，更新需求知识图谱。
需要说明的是，上述实施例提供的基于知识图谱的需求关联装置在执行基于知识图谱的需求关联方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于知识图谱的需求关联装置与基于知识图谱的需求关联方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
根据本申请实施例的又一个方面，还提供了一种与前述实施例所提供的基于知识图谱的需求关联方法对应的电子设备，以执行上述基于知识图谱的需求关联方法。
请参考图7，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图7所示，电子设备包括：处理器700，存储器701，总线702和通信接口703，处理器700、通信接口703和存储器701通过总线702连接；存储器701中存储有可在处理器700上运行的计算机程序，处理器700运行计算机程序时执行本申请前述任一实施例所提供的基于知识图谱的需求关联方法。
其中，存储器701可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器701用于存储程序，处理器700在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于知识图谱的需求关联方法可以应用于处理器700中，或者由处理器700实现。
处理器700可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器700读取存储器701中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于知识图谱的需求关联方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
根据本申请实施例的又一个方面，还提供一种与前述实施例所提供的基于知识图谱的需求关联方法对应的计算机可读存储介质，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的基于知识图谱的需求关联方法。
需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于知识图谱的需求关联方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于知识图谱的需求关联方法，其特征在于，包括：
获取目标领域的需求先验数据，根据所述需求先验数据构建需求知识图谱；
在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体；
根据所述新需求与所述需求实体的关联关系，更新所述需求知识图谱。
2.根据权利要求1所述的方法，其特征在于，根据所述需求先验数据构建需求知识图谱，包括：
根据所述需求先验数据中的需求条目关联关系，得到所述需求知识图谱中需求之间的关系；
将所述需求先验数据中的需求条目，作为所述需求知识图谱中的需求实体；
根据所述需求先验数据、预设的神经网络模型以及预设的规则匹配方法，抽取需求属性信息；
根据提取的需求关系、需求实体以及需求属性，构建所述需求知识图谱。
3.根据权利要求2所述的方法，其特征在于，根据所述需求先验数据、预设的语言处理模型以及预设的规则匹配方法，抽取需求属性信息，包括：
将所述需求先验数据输入所述语言处理模型，得到文本分词信息、关键词信息；
根据所述文本分词信息、关键词信息，以及预设的规则匹配方法，抽取需求属性信息。
4.根据权利要求1所述的方法，其特征在于，在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体，包括：
提取所述新需求的属性信息；
根据需求属性信息计算所述新需求与所述需求知识图谱中需求实体的属性覆盖度；
在所述属性覆盖度大于预设阈值的情况下，确定所述新需求与所述需求实体关联。
5.根据权利要求4所述的方法，其特征在于，根据需求属性信息计算所述新需求与所述需求知识图谱中需求实体的属性覆盖度，包括：
统计新需求的属性个数；
分别统计每个需求实体与所述新需求的共有属性个数；
根据每个需求实体与所述新需求的共有属性个数与所述新需求的属性个数的商，得到每个需求实体与所述新需求的属性覆盖度。
6.根据权利要求4所述的方法，其特征在于，在所述属性覆盖度大于预设阈值的情况下，确定所述新需求与所述需求实体关联之前，还包括：
根据每个需求实体与所述新需求的属性覆盖度，计算属性覆盖度平均值；
根据所述属性覆盖度平均值，确定所述预设阈值。
7.根据权利要求1所述的方法，其特征在于，更新所述需求知识图谱之后，还包括：
基于所述需求知识图谱，进行需求查询以及分析需求关联数据，得到需求分析报告；
所述需求分析报告包括：需求ID、需求实体、需求属性、需求类别、与需求具有关联关系的其他需求实体、需求所属类别下的具有关联关系的需求实体。
8.一种基于知识图谱的需求关联装置，其特征在于，包括：
知识图谱构建模块，用于获取目标领域的需求先验数据，根据所述需求先验数据构建需求知识图谱；
关联关系识别模块，用于在有新需求加入的情况下，识别所述新需求与所述需求知识图谱中的需求实体的关联关系，得到与所述新需求具有关联关系的需求实体；
知识图谱更新模块，用于根据所述新需求与所述需求实体的关联关系，更新所述需求知识图谱。
9.一种电子设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于知识图谱的需求关联方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至7任一项所述的一种基于知识图谱的需求关联方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410060813.3A CN118095425A (zh) | 2024-01-15 | 2024-01-15 | 基于知识图谱的需求关联方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410060813.3A CN118095425A (zh) | 2024-01-15 | 2024-01-15 | 基于知识图谱的需求关联方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118095425A true CN118095425A (zh) | 2024-05-28 |
Family
ID=91141234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410060813.3A Pending CN118095425A (zh) | 2024-01-15 | 2024-01-15 | 基于知识图谱的需求关联方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095425A (zh) |
-
2024
- 2024-01-15 CN CN202410060813.3A patent/CN118095425A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885692B (zh) | 知识数据存储方法、装置、计算机设备和存储介质 | |
| CN111125086B (zh) | 获取数据资源的方法、装置、存储介质及处理器 | |
| KR102213627B1 (ko) | 분석 소프트웨어 관리 시스템 및 분석 소프트웨어 관리 방법 | |
| CN112434024B (zh) | 面向关系型数据库的数据字典生成方法、装置、设备及介质 | |
| CN113760891B (zh) | 一种数据表的生成方法、装置、设备和存储介质 | |
| CN103425740B (zh) | 一种面向物联网的基于语义聚类的物资信息检索方法 | |
| CN112784062B (zh) | 一种成语知识图谱构建方法及装置 | |
| CN110674360B (zh) | 一种用于数据的溯源方法和系统 | |
| US20230205755A1 (en) | Methods and systems for improved search for data loss prevention | |
| Batoulis et al. | Disambiguation of DMN decision tables | |
| WO2017158802A1 (ja) | データ変換システム及びデータ変換方法 | |
| CN113139033B (zh) | 文本处理方法、装置、设备及存储介质 | |
| CN110765100B (zh) | 标签的生成方法、装置、计算机可读存储介质及服务器 | |
| CN117093556A (zh) | 日志分类方法、装置、计算机设备及计算机可读存储介质 | |
| CN109144999B (zh) | 一种数据定位方法、装置及存储介质、程序产品 | |
| Tang et al. | A lattice-based approach for chemical structural retrieval | |
| CN118095425A (zh) | 基于知识图谱的需求关联方法、装置、设备及存储介质 | |
| CN111382343B (zh) | 一种标签体系生成方法及装置 | |
| JPWO2018100700A1 (ja) | データ変換装置とデータ変換方法 | |
| CN113434660A (zh) | 基于多领域分类的产品推荐方法、装置、设备及存储介质 | |
| Perdek et al. | Matrix Based Approach to Structural and Semantic Analysis Supporting Software Product Line Evolution | |
| Alraddadi | Detecting Security Bad Smells of Software by using Data Mining | |
| CN113138936B (zh) | 数据处理方法、装置、存储介质及处理器 | |
| CN113722302B (zh) | 一种数据治理方法与装置 | |
| CN112925856B (zh) | 实体关系分析方法、装置、分析设备及计算机存储介质 |
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 |