Software Requirements: A new Domain for Semantic Parsers

Abstract

Software requirements are commonly written in natural language, making them prone to ambiguity, incompleteness and inconsistency. By converting requirements to formal semantic representations, emerging problems can be detected at an early stage of the development process, thus reducing the number of ensuing errors and the development costs. In this paper, we treat the mapping from requirements to formal representations as a semantic parsing task. We describe a novel data set for this task that involves two contributions: first, we establish an ontology for formally representing requirements; and second, we introduce an iterative annotation scheme, in which formal representations are derived through step-wise refinements.

Usefulness of open domain model for identifying missing software requirements concepts

“…Roy et al 35 developed a tool to extract concept information known as concept maps from a set of Japanese text documents. Roth et al 36 proposed automatic mapping requirements in NL texts to structured semantic representations. The result of semantic role labeling (SRL) is used to convert the labeling into ontology concepts and relations for describing static software functionalities.…”

ARSENAL: Automatic Requirements Specification Extraction from Natural Language

“…ARSENAL can handle a more general class of output models, e.g., SAL. [RDKS14] propose a scheme for generating formulas for question/answering from NL requirements, using semantic parsing -in ARSENAL, we built an end-toend system to generate a complete model with appropriate semantics from multiple requirements, and did thorough empirical evaluation.…”

Εξόρυξη Δεδομένων Τεχνολογίας Λογισμικού Για Επαναχρησιμοποίηση Λογισμικού

“…Αυτό μας επιτρέπει να εφαρμόσουμε τη μεθοδολογία που φαίνεται στο Σχήμα 3.8. Στις ακόλουθες παραγράφους παρέχουμε μια περίληψη της κατασκευής, της εκπαίδευσης (training) και της αξιολόγησης (evaluation) του αναλυτή, ενώ ο αναγνώστης που ενδιαφέρεται για περισσότερες λεπτομέρειες παραπέμπεται στο [141] και στο [142]. Ο αναλυτής μας αποτελείται από δύο υποσυστήματα, ένα για συντακτική ανάλυση (syntactic analysis) και ένα για σημασιολογική ανάλυση (semantic analysis).…”

“…Κάθε βήμα στη μεθοδολογία μας υλοποιείται ως ένα μοντέλο λογιστικής παλινδρόμησης (logistic regression) χρησιμοποιώντας το LIBLINEAR toolkit [145]. Το μοντέλο χρησιμοποιεί γλωσσολογικές ιδιότητες (linguistic properties) ως χαρακτηριστικά (features), για τα οποία υπολογίζονται τα κατάλληλα βάρη με βάση τα σχολιασμένα δεδομένα εκπαίδευσης (περισσότερες πληροφορίες για την κατασκευή του αναλυτή είναι διαθέσιμες στο [141] και στο [142]).…”