申请/专利权人：航天科工智能运筹与信息安全研究院(武汉)有限公司

申请日：2023-12-28

公开（公告）日：2024-04-19

公开（公告）号：CN117908837A

主分类号：G06F8/10

分类号：G06F8/10;G06F16/951;G06N3/044;G06N3/0442;G06N3/0455;G06N3/047;G06F40/289;G06F40/284;G06F16/35;G06F40/30;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明属于人工智能技术领域，具体涉及一种基于NLP深度学习软件需求功能生成方法，包括：接收客户当前的需求；采集历史相关类项目的信息；将所述历史项目信息以及当前需求信息导入整合匹配模型进行匹配训练，生成符合匹配规则的功能项；利用训练好的深度学习神经网络模型对待处理的客户原始需求文本进行匹配，生成m个功能项；合并m个功能项中相似的功能项，获得该待处理客户原始需求文本的功能项匹配结果。本方法有效提高需求功能生成准确率、精准性，进而节约时间，节省成本，提高效用。

主权项：1.一种基于NLP深度学习软件需求功能生成方法，其特征在于，所述方法的步骤为：步骤1：接收客户当前的需求，将客户需求文本进行数据清洗和存储，生成客户原始需求数据表；步骤2：采集历史相关类项目的信息，在已构建的需求特征词表的基础上，用网络爬虫技术更多采集相关类项目，包括项目的背景、需求、功能点、性能要求的要素，对采集到的信息进行数据清洗和存储，生成历史项目信息表；步骤3：将所述历史项目信息以及当前需求信息导入整合匹配模型进行匹配训练，生成符合匹配规则的功能项；其中，构建需求与功能整合匹配的深度学习神经网络模型并对其进行训练，深度学习神经网络模型由1个编码器和n个解码器构成；所述编码器用于计算客户原始需求文本的隐藏层状态向量并将其发送给每个所述解码器；所述解码器的构成包括Embedding层、GRU层、Attention层和Softmax层；解码器的embedding层、GRU层对输入数据依次进行处理，生成隐藏层状态向量并传入attention层；解码器的attention层根据编码器生成的隐藏层状态向量和解码器的GRU层生成的隐藏层状态向量计算得到全局对齐权重向量，然后用所述全局对齐权重向量与隐藏层状态向量加权计算得到上下文向量，并将上下文向量和解码器的GRU层生成的隐藏层状态向量进行连接并输入Softmax层，Softmax层对输入数据进行匹配并输出一功能项；步骤4：利用训练好的深度学习神经网络模型对待处理的客户原始需求文本进行匹配，生成m个功能项；其中，训练所述深度学习神经网络模型的方法为：首先对每一功能项进行分词并训练生成对应功能项的词向量，然后通过平均各功能项中所包含的所有字的词向量，将功能项的词向量转换为句向量，然后利用K-Means算法将各句向量聚类为m个类，得到m个聚类结果；然后将不同聚类结果通过编码器处理后分别输入对应的解码器进行训练；所述解码器使用基于掩码的损失函数；所述深度学习神经网络模型的总损失Loss是m个所述解码器损失的总和；即D是解码器的数量，px为输出序列中预测符号的概率分布，qx为输出序列中实际符号的概率分布；步骤5：合并m个功能项中相似的功能项，获得该待处理客户原始需求文本的功能项匹配结果。

全文数据：

权利要求：

百度查询： 航天科工智能运筹与信息安全研究院(武汉)有限公司 一种基于NLP深度学习软件需求功能生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD