技术摘要：AutoRE-NS

问题陈述

现代工业软件系统面临着需求量与复杂性的指数级增长，使得传统的纯手工工程过程成为了瓶颈。虽然现有的自动化解决方案已经存在，但它们主要局限于语法分析和基础的一致性验证。这些传统工具无法提供进行高级冲突检测、质量优化和上下文分析所需的深度语义理解，往往导致系统过于依赖僵化的基于规则的方法，或者成为缺乏可解释性的“黑盒”机器学习模型。

方法论

本文提出了 AutoRE-NS，一个旨在增强需求质量并评估复杂性的灵活自动化框架。该系统采用了集成强化学习的神经符号架构（neuro-symbolic architecture），并分为三个不同的层级：

1. 神经感知层（语义分析）：

   • 利用针对需求工程词汇和领域相关语言经过微调的预训练 Transformer 模型。
   • 执行上下文嵌入、需求编码、分类、关系提取和质量评分。
   • 将非结构化自然语言需求转化为结构化的语义表示。

2. 符号推理层（形式化验证）：

   • 采用包含需求工程最佳实践、领域约束和质量启发式规则的知识库。
   • 运行验证引擎，检查一致性、完备性和可行性。
   • 生成一个代表归一化质量指标（如一致性、歧义性、可测试性）的综合状态向量 ($S$)。

3. 自适应策略层（优化）：

   • 实现马尔可夫决策过程（MDP）以优化需求的选择与精炼。
   • 由**深度 Q 网络（DQN）**驱动，通过与模拟项目环境的交互来学习最优策略。
   • 动态调整以解决冲突并消除冗余，同时保持人类监督。

该框架被设计为可解释人工智能（XAI），能够为其决策提供人类可理解的理由，从而弥合自动化效率与工程信任之间的鸿沟。

核心贡献

本文概述了四项主要贡献：

1. 神经符号架构： 一种新型的三层框架，用于全面的需求分析，结合了神经模式识别与符号推理。
2. 自适应优化： 实现深度强化学习以自适应地优化需求，超越了静态规则集。
3. 可解释性： 设计确保所有自动化评估和优化都附带透明且人类可读的理由。
4. 实证验证： 在大规模工业数据集上进行了严格测试，以证明其实际可行性。

实验结果

该框架在涵盖六个工业领域（医疗保健、汽车、嵌入式系统、电子商务、金融和电信）的 2,548 条需求 数据集上进行了评估。

效率与缩减：

• 需求量： 通过消除冗余并保留语义内容，实现了需求总量 87.2% 的缩减（从 2,548 条减少至 326 条）。
• 冲突解决： 解决了 86.6% 的关键冲突和 83.1% 的中度冲突。（注：摘要中提到冲突解决的总体比例为 83.5%，而表 3 指出中度冲突的具体解决率为 83.1%）。
• 重复消除： 消除了 97.0% 的精确重复项和 94.4% 的语义重复项。
• 处理时间： 将平均处理时间从 52.7 小时缩短至 2.4 小时（提升了 95.4%）。

质量指标改进：
统计分析（大多数指标 $p < 0.001$）显示，各项质量维度均有显著提升：

• 歧义性： 降低了 38.4%。
• 一致性： 提高了 25.7%。
• 可验证性： 提高了 30.8%。
• 可追溯性： 提高了 26.8%。
• 完备性： 增加了 14.2%。
• 原子性： 增加了 9.8%。

对比性能：
AutoRE-NS 在冲突解决（86.6% 对比 48.3%–61.5%）和重复检测（95.7% 对比 58.9%–76.8%）方面均优于基准方法（REQANALYZER、SMART-RE、基于规则的系统）。虽然人工审查在冲突解决率上略高（94.2%），但 AutoRE-NS 在处理速度和可扩展性方面具有显著优势。

重要性与主张

本文声称，AutoRE-NS 代表了需求工程自动化领域的重要进步，特别是对于需求质量对项目成功至关重要的安全导向型、合规导向型及复杂的工业系统。

作者断言，该框架通过提供一种兼顾自动化效率与人类监督的稳健且可解释的解决方案，成功解决了需求量呈指数级增长的瓶颈问题。在工业规模数据集上的广泛验证证明了该方法的实际可靠性。论文总结道，尽管目前的成果令人鼓舞，但未来的工作应侧重于增强跨领域适应性、实时人机集成以及与开发工具的更深层次集成。

注：作者承认存在有效性威胁，指出虽然通过代码审查和超参数优化加强了内部有效性，且通过多领域测试支持了外部有效性，但仍需进一步的纵向研究和更广泛的领域覆盖，以充分推广其研究结果。