TWI292106B - Method for constructing traceability ontology map and recoding medium storing traceability ontology map - Google Patents

Description

1292 九、發明說明： 【發明所屬之技術領域】 且特別是有關於 本發明是有關於一種追溯知識地圖， 一種追溯知識地圖的結構及其建構方法。 【先前技術】 需求分析作業為軟體發展流程中相當重要的一環，軟 體開發的成功要素在於能夠充分了解與管理需求。然而广 在軟硬體發展的過程中，需求的變更是無可避免的，'當軟 硬體系統功能愈來愈強大時，它們需求的管理將變得非常 具有挑戰性。一般企業在執行一個專案的期間，對於需求 變更的原因甚多，而對於需求變更後所造成之相互關聯影 響的追溯，往往需要藉由專家來進行相關的變更影響分 析，也因而造成人力及時間成本的浪費。因此，如何^夠 自動化處理需求變更後所造成的影響已成為目前重要的議 〇 知識地圖是一個真實世界的概念化，而它可以共享對 真只世界的理解。當使用知識地圖來描述特定領域下的知 識，可將知識地圖表示為一種需求（或稱概念（c〇ncept))、 屬性（Attribute )、實例（Instance )與關係（Relation )等 元素的組合，以下分別說明這些元素所代表的意義·· 需求是以多個底層物件所組成的範圍，亦是由多個字 彙所組成的集合，此集合能夠作為一個概念性的描述，描 述主題的基本範圍，而透過此集合能讓系統了解到所定義 的需求所代表的意思。 I2921(?4twf,0C/g 特性或特徵:當:們使:二一種描述’用以描述此物件的 時，需求就是其中的子集‘識r表達某個特定知識領域 是物件，在物件之間會存在有 H以將24些集合看成 也會存在有各種屬性。實=各==且每個物件本身 所建構出的知識地圖可I =擁有屬性之物件 的關係，並可從單一個需:二它需求間 知”識地圖可以提供更多元及有㈣訊息。由此可 結構特=知_的需求與 德= 因此當建構出整個知識地圖的竿構之 物件城述出物件與物件屬性外，還可以為這此 間所有的關係。由於目前自動建構知識 =的技術尚未成熟’大都還是透過領域專家以人工 ，供一個有系統的知識領域架構，此架構可以用 用固的抽象結構與關係，而提供相關應用系統:的2 實例（Instance)可更清楚的表達上層的需求，因此實 〃上層需求通常會存在著某種關係，並繼承某些上層需 求的屬性，當^，實例也可以擁有自己更細微的屬性^表 示與其它實例的相異之處。 圖1所繪不為習知物件導向之追溯知識地圖的架構 圖。請參照圖1，本實施例之追溯知識地圖100係包括一 個領域層級110、一個目錄層級12〇、一個需求層級13〇 I2921l_doc/g 及一個貫例層級HO。其中，領域層級no係包括追溯知 識地圖100所要描述之特定領域，而目錄層級120則包含 此特定領域的多個目錄（包括目錄丨、目錄2、···、目錄k)。 此外’需求層級13〇則包括了多個需求（包括需求！、 需求2、需求3、…、需求η)，而每一個需求分別包括有 其名稱（Name)、屬性（Attribute)及操作（0perati〇n)， 而貫例層級140則包括了多個實例（包括實例1、實例2、 貫例3、…、實例m)，而每一個需求亦分別包括有其名 稱、屬性及操作。 ^ 值得一提的是，圖1中連結各個層級中各個物件的實 線或虛線係代表該些物件之間的關係（Rdati〇n)，包括有 概括（Gen—)關係、聚集（Aggregati〇n)關係、 關聯（ASS〇dati〇n )關係及實例（Instance 〇f)關係。其中， =域與目錄之間即具有概括_，目錄與需求之間則具有 聚$關係，而需求及實例之間具有實例關係。此外，需求 ^而求之間或是實例及實例之__則可包括有概括關 係、聚集關係及關聯關係這三種關係。 昭圖2所繪示為習知建構知硪地圖的方法流程圖。請參 2，習知的方法係先利用一個詞性標註器 ^=SpeechTagger)將一份需求文件作斷詞及標註詞 =二'(步驟S210)。接著，將插曲(Epis〇de)的觀 性規則、#遠取領域新詞的候選詞上’再利用領域新詞的詞 S22(n、濾除不正確的候選詞，以獲得領域新詞（步驟 Ζ2υ)，而這些領域新詞會再提供給詞性標註器。 1292職__ 然後’依照詞性將沒有意義的詞濾除，僅保留一般名 詞、專有名詞、地方名詞及動詞（步驟S23〇)。其中，更 可參考中研院所提供的中文詞庫，以作更明確的詞性標 註，並經由進一步的詞性分析後，實施更詳細的過濾動作。 再來分析任兩個詞之間的關係強度，經由類神經網路 中之非皿"I式學習的自組織映射圖（Seif_〇rganizati〇n Map， SOM)模型將屬於同一個需求的實例聚集在同一類中（步 驟S240 )。此時可將每個句子視為一筆序列資料（

Data.)，而依照每個詞在句子中的順序，設定出視窗尺寸 f Wif〇W Size)及最小出現率（Minimal 0cc職nce )， ΪΙΪοΙ序列樣本（Sequela1 Pattem)的方式找出插曲（步 成-個步：:提取出來的許多插曲建構 防〇) 2 它的屬性、操作㈣聯（步驟 節-心;==識地圖草稿需要再利用需求 性、操作及_是否適合此需各個需求間的屬 操作及關聯(步驟s 2 8 〇)後，：出!么除:合適的屬性、 圖（步驟S290)。 ， 70正的領域知識地 斗主然而，以上使用知識地圖追溯需束的太々 :表達其需求之間的關聯，此種表達方气式大多以矩陣 苗4各個需求之間的關聯性和關聯權重i於無法 寻累管理人員 12921 傲 _/g 無法得知需求變更後的程度影響，而可能因為隨意變更需 求，而導致專案成本的增加。 【發明内容】 有鑑於此’本發明的目的就是在提供一種追溯知識地 圖的建構方法’藉由求出多個需求之間的關聯性及關聯權 重值’並據以建構追溯知識地圖，使專案管理人員能夠得 知需求變更後的程度影響，達到方便追溯及管理需求的目 的。 _本發明的再一目的是提供一種追溯知識地圖的結構， 藉由在領域層級、目錄層級及類別層級之間建立關聯關 係’而能夠使專案管理人員得知需求變更後的程度影響， 達到方便追溯及管理需求的目的。 本發明提出一種追溯知識地圖的建構方法，包括首先 ^收多個需求（C0ncept)，接著關聯這些需求，而獲得這 些需求間的多個關聯性，並利用資料探勘技術找出這些需 求中的多個關聯規則，而根據這些關聯規則計算出各個需 求間的關聯權重值（C0ncept Rdati〇n Weight)，最後則根 據這些需求、關聯性及關聯權重值，建構一個完整的追溯 知識地圖。 、 依照本發明的較佳實施例所述追溯知識地圖的建構方 f ’其中在接收需求的步驟之前更包括將一份需求文件進 订斷詞處理，以獲得這些需求，並標註每一個需求的詞性， 然後將具有無意義詞性的需求濾除，僅保留具有意義詞性 的需求。 1292106 177/4 twf.doc/g ’ 、依照本發明的較佳實施例所述追溯知識地圖的建構方 法/、中具有無思義詞性的需求係透過一個停詞過濾器濾 依照本發明的較佳實施例所述追溯知識地圖的建構方 法’其中然意義詞性包括虛詞及連接詞，而有意義詞性則 包括一般名詞、專有名詞、地方名詞及動詞其中之一。 依照本發明的較佳實施例所述追溯知識地圖的建構方 _ /去’其中在關聯需求，獲得各個需求間之關聯性的步驟之 後更包括濾除未達到一個門檻值的關聯性。 依照本發明的較佳實施例所述追溯知識地圖的建構方 法’更包括分別儲存這些需求、關聯性及關聯權重值於需 ^ 求儲存庫、關聯儲存庫及關聯權重值儲存庫。 依照本發明的較佳實施例所述追溯知識地圖的建構方 ^ 法’其中根據關聯規則計算各個需求間之關聯權重值的步 驟包括根據關聯規則分別計算各個需求間的多個參數，以 及將這些參數做為輸入值，透過一個平行模糊推論機制求 > 得各個需求間的關聯權重值。 依照本發明的較佳實施例所述追溯知識地圖的建構方 法’上述之參數包括關聯規則數（Num|3er 〇f Ruies)、需 求别項平均支持度（Average Support of the Concept，s Antecedent，ASCA)、需求後項平均支持度（Average Support of the Concept’s Consequent，ASCC)及需求平均信 賴度（Concept Relation Weight)。 1292 職 twfdoc/g 依照本發明的較佳實施例所述追溯知識地圖的建構方 法’其中根據需求、相似性及關聯權重值，建構追溯知識 地圖的步驟包括設定此追溯知識地圖為一個空集合，接著 加入這些需求於此追溯知識地圖，然後根據關聯性，判斷 這些需求間是否相關聯，若有需求相關聯，則將相對應的 關聯權重值加入這些需求之間。 依照本發明的較佳實施例所述追溯知識地圖的建構方 法，其中各個需求間的關聯性係透過向量空間模型（V沈吣r

Space Model)及餘弦量測（c〇sine Measure )公式所农γ 本發明提出一種追溯知識地圖的結構，包 :: 層級一個目錄層級及-個類別層級。其 多個目錄。此外，類別層級具有多個需求，有 括一 ί稱及一屬性集合’其中領域係由多 δ而成，而母一個目錄係由多個需求組合 目目錄組 目錄之間具有一種概括關係、目錄與需求’且領域與 集關係，而各個需求之間則具有一種關^有-種聚 依照本發明的較佳實施例所述追溯^。 上述之關聯關係係由各個需求之間的=地圖的結構， 聯權重值所組合而成。 關聯性及一個關 為讓本發明之上述和其他目的、 易懂，下文特舉較佳實施例，並配人二i°優點能更明顯 明如下。 〇斤附圖式，作詳細說 【實施方式】 I2921〇4wfdoc/g 圖3是依照本發明較佳實施例所繪示的追溯知識地圖 的建構方法流程圖。請參照圖3，本實施例係藉由找出多 個需求間的關聯性及關聯權重值，而能夠建構完整的知識 地圖，提供專案管理人員能夠根據此知識地圖評估需求變 更後所造成的影響。 义 首先，接收多個需求（步驟S310) 3 / π----- 八1 心空冩求 疋取自一份需求文件，在將此需求文件進行斷詞處理 及標註詞性的動作後，透過停詞過濾器濾除具有無意義之 詞性的需求，僅保留具有意義之詞性的需求以 關聯之I其巾，無意狀娜相是虛詞錢連接^ 而有意義之該雛則可以是—般名詞、專有名詞、地 詞或是動詞，並秘雛，使用者 定義不同的詞性。 Ά而要’ =’透過向量空間模型(vectorspaceModel)及餘 (步驟_ :其中二^間的關聯性 vimi\ 厂α 厂Λ 量，值， 重值 個位置的權 I2921Q4wfd〇c/g 採用上述公式，即可求得詞彙之間的關聯性，舉例來 說，若要比較「中文處理機制」及「文件處理機制」兩個 詞彙，則可先以雙連字來斷詞，並將斷詞後的結果視為向 量，再以上述的餘弦量測公式來計算關聯性。 首先，將「中文處理機制」及「文件處理機制」轉換 為（中文、處理、機制、文件）的向量，其中（中文、處 理、機制）係取自「中文處理機制」，而（處理、機制、 f牛）則係取自「文件處理_」，若㈣對應各分量維 度之予串在詞彙中出現的次數做為該分量維度的向量分量 :二得和…㈦與⑶…山兩向量^且由餘 :么ί:异出此兩向量餘弦夾角為2/4=〇.5,而在表示兩向 1之最高值為1的度量中，其關聯性即為〇 5。 、此外’在-實施例中，更可設定一個門植值，若經由 上述所求得的關聯性未達到此門檀值時，則將這些關 f性渡除，也就是說’若_需求之_關聯性小於^匕門 抵值時’則可判定這兩個需求不相關。 下一步則是利用資料探勘技術找出各個需求的關聯規 =步驟S330) ’其中’此資料探勘技術之演算法的流程 係先將每個詞彙斷詞後的項目（Item)儲存至動態陣列内， 再進行Ι-Item出現次數的統計，取大於一個門檻值的 Htem作為集合並儲存至記憶體，接著以類似的方 式進行2-Item出現次數的統計，並取大於一個門檻值的 2 Item作為2-item集合並儲存至記憶體。然後，則對儲存 在記憶體中的1-Item集合與2-Item集合進行關聯規則的搜 尋，以找出2_Item集合的關聯規則。 在求出各個需求的關聯規則之後，則可根據這些關聯 規則分別計算各個需求間的關聯權重值（Concept Relation Weight，CRW)(步驟S340)。其中，計算關聯權重值的 步驟又可細分為先根據之前求得的關聯規則分別計算各個 需求間的多個參數，這些參數包括有關聯規則數（Number

of Rules，ΝΑ )、需求前項平均支持度（Average Support of the Concept’s Antecedent，ASCA)、需求後項平均支持度 (Average Support 〇f the Concepfs Consequent，ASCC)及 需求平均信賴度（Concept Relation Weight)值，並以這些 參數做為輸入值，透過一個平行模糊推論機制來求得各個 需求間的關聯權重值。

圖4是依照本發明較佳實施例所繪示的五層式平行模 糊推論機制的結構圖。請參照圖4，本實施例之平行模糊 推論機制包含五個層級，分別是輸入語言層級（input guistic Layer )410、輸入詞層級（1叩说 Term Layer )420、 規則層級430 ( Rule Layer )、輸出詞層級44〇 ( 〇utpm τ_ Layer)及輸出語言層級45〇 (〇utputUnguisticL嘴）。 則以客戶需求（圖中左半部）與功能需求（圖中 牛j)為例來說明平行模糊推機制的各個層級： 層（輸人語言層級41G):此層_節點是負責 直接將輸入值傳送至下一層級，而輸入的向量包括客匕 12921 妝·/g 求的需求集合（RC!、RC2.....RCm)，以及功能需求的 需求集合（FQ、FC2.....FCn) I ^ II / 第二層（輸入詞層級420):此層級主要完成計算客 戶需求和功能需求中的所有需求的歸屬程度，本實施例係 採用L-R型式的模糊變數，其表示公式如下·· / \

L

m — X u{x) a

R x β ，for χ < m ，forx>m 其中，及(y)=max(0，l-；；)，且w(x)可以表示為 [ιη，α，β]。 在此機制中定義了四個輸入模糊變數，分別是關聯規 則數（Number of Rules)、需求前項平均支持度（Average Support 〇f the Concept’s Antecedent，ASCA)、需求後項平 二支持度（Average Support of the Concept，s Consequent， )及舄求平均k 賴度（Concept Relation Weight)。 ί層、級的m要包含模糊魏部份（Fuzzy VariaMe 詞部份（LinguistieTemPart)，其中，模糊 (Fc ^會針對模糊變數從（叫、RC2、…、RCm)及取的值至^2—、FCn)中擷取出輸人值’並且傳送所榻 來計算其份，而語言詞部份則會依據這些輸入值其中，裳 兩個需求間之：：輸入模糊變數為關聯規則數，利用將任 為關聯規則5 =在關聯規則中共同出現的所有規則數作 、見則數’並將此關聯規則數正規化 ⑤ 15 12921版啊 (Normalization)，而使其範圍介於[ο，！]之間，並訂定三 値語t項為NR Low、NR—Medkm與NR—High，其訂定之 歸屬函數如圖5所示，其中語意項霞― 與撤- Θ妙的模糊數分別為[，，^,，&]、 ['〜，~]與['，、，~3]。 第一個輸入模糊變數為需求前項平均支持度，利用任 兩個需求間的詞彙共同出現在關聯規則中的前項平均支持 =丄故需求前項平均支持度係介於[〇，1：]之間，並訂定三個 語意項為⑽、(偏加與妙其訂 定之歸屬函數如圖6所示。 第二個輸入模糊變數為需求後項平均支持度，利用任 兩個需求間的詞彙共同出現在關聯規财的後項平均支持 度’故需求後項平均支持度#介於[〇，1]之間，並訂定三個 語意項為就c—W、說c—編·⑽與就c—_，其 定之歸屬函數如圖7所示。 取後-個輸入模糊變數為需求平均信賴度，利用任 個需求間的詞彙共同出現在關聯規則中的平均信賴度，故 需求平均_度係介於_之間，並訂定三個 1C—L⑽、乂CC—Μ戒⑽鱼— 只馬 數如圖8所示。 ”攸-_’其訂定之歸屬函 此層級的每一個輪入掇相辦去 件節點方式來呈現，而每:=r 一個預，假設的條 三層級的模糊推論規則節^，以:的輸出疋連結至第 設部份。此層級是執二ί二f;糊規則庫的前項假 個推_步驟，即計算三個輸入 I292H〇c/g

)) 模糊變數的每個模糊語意項之隸屬程度（Matching

Degree )。假如此層級的輸入向量為 [((RC{_nr ? RCx_asca 5 ^^\-ASCC 5 ^^\-ACC )5 · · · 5 dNR，RCm_ASCA, ^m-ASCC 5 ^m-ACC ))^ ((^\-NR ? ^ ^\-ASCC 5 ^^\-ACC )? · · · 5 、FCm—NR，FCm -ASCA， FCm_ASCC，FCm - ACC ))]，而其將被轉換為以 下的格式： \-NR ? l-ASCA 5 l-^.SCC ? ^ll-ACc)^ (^12-NR 5 ^\2~~ASCA ·> ^\2-ASCC ? "^12-/iCC )? * · ·? (^-mn-NR ? ^mn-ASCA ? ^mn-ASCC 5 ^mn-ACC )] 其中，馬代表需求組合心=(τ?ς·，κ：7·)，z·代表客戶需 求的第/個需求，y代表功能需求的第y•個需求，代表 每一個需求組合間的關聯規則數、七代表每一個需求 組合間的需求前項平均支持度、马‘cc代表每一個需求組 合間的需求後項平均支持度，而尤則代表每一個需求 組合間的需求平均信賴度。其輸出向量的公式如下： ~^Uu-NR~L〇^U^-m_Median^NR_High\^^^^ (Uu-ASCC-Lo^-ASCC_Me,ian^L·^^ —nw~NR _ Median Umn-NR _ High X (Unm-ASCA_Low ^ Umn-ASCA_ Median ^ Umn-ASCA_ High 其中碼代表輸入模糊變數NR第k個語意項的歸 屬転度、代表輸入模糊變數ASCA第k個語意項的 卸屬程度、y_„cc代表輸入模糊變數ASCc第k個語意項 ⑤ 17 1292 伽 1TWtwf.d〇C/g 的歸屬程度，以及代表輪入模掏變數ACC第k個語 意項的歸屬程度。 第三層（規則層級430) ··此層級的每一個節點代表 :條模糊推論規則，而此層級的連結完成了模糊邏輯規則 剐項假設的歸屬，規則節點則完成模糊及（AND)的運算， 且其輸出必須連結至第四層級的關聯語意節點。在本實施 例中，推論規則是預先由領域專家所定義的，其中規則節 點1所對應之隸屬程度Wl的公式如下，而其餘規則節點之 公式的推導即可參照下式，在此不再贅述： W1 = min(Wl2 ^l〇,A-asca^v^ …第四層（輸出詞層級440):此層級的輸出節點是執 =松糊或（OR)運算來整合有相同後項賴糊規則。輸出 欠數係定義為需求關聯權重值（CRW)，並訂定三個 語气項為C勝—Low、cmv—Median反CRW—High，其定義 函數如圖9所示。舉例來說，財r條規則推論到 ?! it結果，對應至的輸出語意項為，其對應計算得 =的重心值為H需求組合A的第四層輸出公式如 ^p_kij^L〇'

f^L〇M

Jij P=l_ r

YAW 糊介層（輸出f言層級45G):此層級主要完成解模 ^、々理’以求得需求間的關聯權重值。在本實施例中， 採用區域中心（Center p ^ u τ 糊化的處理，以求^Area，⑽）的方絲絲解模 八而衣叙合七之關聯權重值的公式如下·· 1292 歡 d〇c/g

ΣΣ< Ρ=\ tt p=i g=l :尸第_聯二;:：== :賴:二ΐ i之間的關聯權重值係採用五層式平行二

本;範圍，者 方法計算關：ir神下，採用其它種類或層數的 重值之後，則可根 ，建構完整的追溯 最後，在求出所有需求間的關聯權 據所求得的需求、Μ性及關聯權重值 知識地圖（步驟S350)。 其中，此建構追溯知識地圖的步驟更 此追溯知識地圖為—空隼人 為先没定 4地图、，枝# 木口然後加入廷些需求於追溯知 亚接者根據這些需求間的關聯性，判斷各個需求

:疋否相關聯’若有需求相關聯，則將相對應的關聯權 重值加入這些需求之間。 值得一題的是，上述實施例的需求、關聯性及關聯權 重值可分職存於需求儲存庫、關聯儲存庫及關聯權重值 ，存庫，而在建構追溯知識地圖時，再從相對應的儲存庫 讀取需求、關聯性及關聯權重值。 圖10是依照本發明較佳實施例所繪示的追溯知識地 圖的結構圖。請參照圖10,本實施例之追溯知識地圖1000 係包括有一個領域層級1010、一個目錄層級1020及一個 類別層級1030。其中，領域層級1010係具有該追溯知識 (¾) 19 1292 碰 ：wf.doc/g ===之蚊領域，而此領域則是由多個目錄所組 則且右夕:層級1G2G係具有多個目錄，而類別層級1030 及二個i:it’而每一個需求係包括有一個需求名稱。 卞σ {4：Π，·..Ό，其中領域與該目錄之間具有一 需3==呈::與需求之間具有一種聚集關係，而各個 由久有—種關聯_。此外，上述的關聯關係係 ^而求之間的關聯性及關聯權重值所組合而成。 斜斜’在本發明之追溯知識地_建構方法中， 的内容’藉由自然語言處理、資訊檢索 重it it求得各個需求之間的關聯性及關聯權 圖，使彳θ、Γ 1 ί立具有完整追溯關聯結構的追溯知識地 Ξ溯=代理人能夠在需求變更發生時，得以依據此 管理需=的，析需求變更的影響，到方便追溯及 雖然本發明已以較佳實施_露如上，然 和:明二;=習此技藝者’在不脫離本發明之精神 ;=内’虽可作些許之更動與潤飾，因甲 ,圍虽視後附之巾請專利範圍所界定者為準。㈣ 【圖式簡單說明】 圖。圖^所纷示為習知物件導向之追溯知識地圖的架構 圖2所繪示為習知建構知識地圖的方法产 圖3是依照本發明較佳實施例所繪示追、= 的建構方法流程圖。 〇追，明知硪地圖 20 1292106 17774twf.doc/g 圖4是依照本發明幹 一 糊推論機制的結構圖。又土貫施例所繪不的五層式平行模 圖5疋依照本發明每 一 之關聯規則數的歸屬函施例所繪示的任兩個需求間 圖6是依照本發明較、圖。 之需求前項平均支繪示的任兩個需求間 图7〜勺支持度的歸屬函數示意圖。 之需:云；===的任兩個_ 之： 圖的=是依照本發明較佳實施例所緣示的追溯知識地 【主要元件符號說明】 100、1000 :追溯知識地圖 110、1010 :領域層級 120、1020 :目錄層級 130 :需求層級 140 :實例層級 S210〜S290:習知建構知識地圖的方法之各步驟 S310〜S350 ·本發明較佳實施例之追溯知識地圖的建 構方法之各步驟 410 :輸入語言層級 1292 狐fdoc/g

420 :輸入詞層級 430 :規則層級 440 ··輸出詞層級 450 :輸出語言層級 1030 :類別層級

(D 22

Claims (1)

1292 職 wfdoc/g 十、申請專利範圍： 1·一種追溯知識地圖的建構方法，包括下列步驟： 接收多個需求（Concept); 關聯該些需求，獲得該些需求間的多個關聯性； 利用一資料探勘（Data Mining )技術找出該些需求中 的多個關聯規則； 根據該些關聯規則計算該些需求間的多個關聯權重值 ^ ( Concept Relation Weight);以及 根據該些需求、該些關聯性及該些關聯權重值，建構 該追溯知識地圖。 2·如申請專利範圍第1項所述之追溯知識地圖的建構 • 方法，其中在接收該些需求的步驟之前更包括： 將一需求文件進行斷詞處理，獲得該些需求； 標註每一該些需求的一詞性；以及 將具有無意義之該詞性的該些需求濾除，僅保留具有 意義之該詞性的該些需求。 . 3.如申請專利範圍第2項所述之追溯知識地圖的建構 方法’其中具有無意義之該詞性的該些需求係透過一停詞 過濾器濾除。 4·如申凊專利範圍第2項所述之追溯知識地圖的建構 方法，其中無意義之該詞性包括虛詞及連接詞其中之一。 5·如申請專利範圍第2項所述之追溯知識地圖的建構 方法，其中有意義之該詞性包括一般名詞、專有名詞、地 方名詞及動詞其中之一。 23 1292 碰一 6. 如申清專利範圍第！項所述之追溯知識地圖的建構 方法，其中在關聯該些需求，獲得該些需求間的該些關聯 性的步驟之後更包括濾除未達到一門檻值的該些關聯性。 7. 如申請專利範圍第丨項所述之追溯知識地圖的建構 方法，更包括： 刀別儲存違些需求、該些關聯性及該些關聯權重值於 需求儲存庫、關聯儲存庫及關聯權重值儲存庫。 8·如申請專利範圍第1項所述之追溯知識地圖的建構 方法’其中根據該些關聯規則計算該些需求間的該些關聯 權重值的步驟包括： 根據該些關聯規則分別計算該些需求間的多個參數； 以及 將該些參數做為輸入值，透過一平行模糊推論機制求 得該些需求間的該些關聯權重值。 9·如申請專利範圍第8項所述之追溯知識地圖的建構 方法，其中該些參數包括關聯規則數（Number of Rules )、 需求前項平均支持度（Average Support of the Concept’s Antecedent，ASCA )、需求後項平均支持度（Average Support of the Concept，s Consequent，ASCC )及需求平均信 賴度（Concept Relation Weight)。 10·如申請專利範圍第1項所述之追溯知識地圖的建 構方法，其中根據該些需求、該些相似性及該些關聯權重 值，建構該追溯知識地圖的步驟包括： 設定該追溯知識地圖為一空集合； 24 ㊈