[논문]A Comparative Study on Requirements Analysis Techniques using Natural Language Processing and Machine Learning

Cho, Byung-Sun; Lee, Seok-Won

doi:10.9708/jksci.2020.25.07.027

A Comparative Study on Requirements Analysis Techniques using Natural Language Processing and Machine Learning 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.25 no.7, 2020년, pp.27 - 37

Cho, Byung-Sun (Dept. of Computer Engineering, Ajou University) , Lee, Seok-Won (Dept. of Software and Computer Engineering, Ajou University)

초록
AI-Helper

본 연구의 목적은 다양한 도메인에 대한 소프트웨어 요구사항 명세서로부터 수집된 요구사항을 데이터로 활용하여 데이터 중심적 접근법(Data-driven Approach)의 연구를 통해 요구사항을 분류한다. 이 과정에서 기존 요구사항의 특징과 정보를 바탕으로 다양한 자연어처리를 이용한 데이터 전처리와 기계학습 모델을 통해 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하고 각 조합의 결과를 제시한다. 그 결과로, 요구사항을 분류하는 과정에서, 자연어처리를 이용한 데이터 전처리에서는 어간 추출과 불용어제거와 같은 토큰의 개수와 종류를 감소하여 데이터의 희소성을 좀 더 밀집형태로 변형하는 데이터 전처리보다는 단어 빈도수와 역문서 빈도수를 기반으로 단어의 가중치를 계산하는 데이터 전처리가 다른 전처리보다 좋은 결과를 도출할 수 있었다. 이를 통해, 모든 단어를 고려하여 가중치 값은 기계학습에서 긍정적인 요인을 볼 수 있고 오히려 문장에서 의미 없는 단어를 제거하는 불용어 제거는 부정적인 요소로 확인할 수 있었다.

Abstract ▼ AI-Helper

In this paper, we propose the methodology based on data-driven approach using Natural Language Processing and Machine Learning for classifying requirements into functional requirements and non-functional requirements. Through the analysis of the results of the requirements classification, we have learned that the trained models derived from requirements classification with data-preprocessing and classification algorithm based on the characteristics and information of existing requirements that used term weights based on TF and IDF outperformed the results that used stemming and stop words to classify the requirements into functional and non-functional requirements. This observation also shows that the term weight calculated without removal of the stemming and stop words influenced the results positively. Furthermore, we investigate an optimized method for the study of classifying software requirements into functional and non-functional requirements.

주제어

표/그림 (12)

그림 FIg. 1. Proposed process model
표 Table 1. NFR Dataset Requirements
표 Table 2. Concordia Dataset Requirements
표 Table 3. PURE Requirements dataset
그림 Fig. 2. Example of requirements in SRS
표 Table 4. Combination of preprocessing
표 Table 5. Results of preprocessing
표 Table 6. Comparison between preprocessed data
표 Table 7. Bayesian classification results
표 Table 8. SVM classification results
표 Table 9. ANN classification results
표 Table 10. Total results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Google의 word2vec와 Kim.[12]의 제안한 문서 분류의 합성곱 신경망을 통해 요구사항을 얼마나 더 정확히 분류할 수 있는지 연구하였다. 이 연구에서 기여도는 첫째로, Google의 word2vec를 통해 미리 사전 학습된 워드 임베딩을 통해 요구사항 분류 모델의 성능을 향상하였다.
본 연구는 소프트웨어 요구사항 명세서에서 추출된 요구사항을 인공지능의 자연어처리와 기계 학습을 이용하여 데이터 중심적 접근법을 기반으로 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류에 대해 연구를 진행하였다. 본 연구에서는 관련 연구와의 다른 자연어처리와 기계학습 모델을 통해 연구 비교 분석 연구하였다.
세 번째, 다양한 자연어처리와 기계학습 모델을 적용하여 요구사항 분류에 대해 결과와 최적화된 모델을 제시에 있다. 본 연구에서 요구사항 데이터에 대해 자연어처리를 이용한 다양한 데이터 전처리 조합과 기계학습 모델을 적용하여 그 결과를 도출하였고 이를 비교 분석을 통해 본 연구의 문제점 해결에 최적화된 방법을 제시하고 있다. 이를 통해, 향후 요구사항 데이터를 활용한 연구에서 본 연구에서 도출된 결과와 제시하는 최적화된 방법을 활용할 수 있다.
마지막으로, 본 연구의 실험 방법을 다른 도메인에 적용하는 방향을 고려할 수 있다. 본 연구에서는 특정 항목에 대해 다양한 자연어처리와 기계학습 모델을 통해 데이터 전처리와 분류를 연구 실험에서 진행하였고 이를 통해, 실험 과정에서 다양한 데이터의 변화와 실험 결과를 도출할 수 있었다. 이와 같이, 특정 항목에 대해 분류하는 연구에 대해 본 연구에서 정형화된 연구 방법론을 적용할 수 있으며 이는, 다양한 도메인의 문제를 해결할 수 있는 방법으로 제시할 수 있다.
본 연구의 목적은 다양한 도메인에 대한 소프트웨어 요구사항 명세서로부터 수집된 요구사항을 데이터로 활용하여 데이터 중심적 접근법의 연구를 통해 요구사항을 분류한다. 이 과정에서 기존 요구사항의 특징과 정보를 바탕으로 다양한 자연어처리를 이용한 데이터 전처리와 기계학습 모델을 통해 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하고 각 조합의 결과를 제시한다.
이 과정에서 기존 요구사항의 특징과 정보를 바탕으로 다양한 자연어처리를 이용한 데이터 전처리와 기계학습 모델을 통해 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하고 각 조합의 결과를 제시한다. 이는, 자연어처리와 기계학습을 이용한 도출된 객관적이고 일관성 있는 요구사항 분류 결과이며 새로운 요구사항 데이터에 대해 본 연구에서 도출된 결과를 기반으로 적합한 자연어처리와 기계학습 모델을 제안한다. 이를 통해, 소프트웨어 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하는 연구에 대해 최적화된 방법을 제시한다.
[9]의 연구는 언어학적 지식 기반의 접근법을 통해 요구사항 분류의 연구를 진행하였다. 이를 통해, 문법적, 시간적, 그리고 감정적인 요소가 기계학습을 이용한 요구사항 분류에서 얼마나 영향을 미치는지 연구하였다. 이를 위해 데이터 전처리 과정에서 Hussain et al.
이는, 자연어처리와 기계학습을 이용한 도출된 객관적이고 일관성 있는 요구사항 분류 결과이며 새로운 요구사항 데이터에 대해 본 연구에서 도출된 결과를 기반으로 적합한 자연어처리와 기계학습 모델을 제안한다. 이를 통해, 소프트웨어 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하는 연구에 대해 최적화된 방법을 제시한다. 더 나아가, 본 연구에서 도출된 결과를 통해 요구공학 전문가를 보조할 수 있고, 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류에 대해 효율적인 분석을 가능하게 할 수 있다.
이는, 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하는 연구에서 사용되는 데이터의 규모는 너무 작아서, 기계학습을 이용한 데이터 중심적 접근법을 통한 요구사항 분류의 연구에서 제한이 많이 있었다. 즉, 본 연구에서는 수 많은 소프트웨어 요구사항 명세서에서 요구사항을 추출, 수집 그리고 데이터세트로 구성 및 생성하여 새로운 요구사항 데이터세트를 연구에 적극 활용하여 기존의 데이터 규모에 대한 문제점과 연구의 한계점을 해결하였다.

가설 설정

본 연구의 기여도는 크게 세 가지가 있다. 첫 번째, 새로운 데이터세트 생성을 통한 데이터 확장이다. 이는, 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하는 연구에서 사용되는 데이터의 규모는 너무 작아서, 기계학습을 이용한 데이터 중심적 접근법을 통한 요구사항 분류의 연구에서 제한이 많이 있었다.

제안 방법

이를 위해 데이터 전처리 과정에서 Hussain et al. [10]의 연구에서 제안한 특징 추출을 기반으로 특징 선택을 제안하여 요구사항을 기능적 요구사항과 비기능적 요구사항 분류에 대한 연구에 대해 여러 알고리즘을 적용하여 비교 연구하였다. 이 연구에서 기여도는 첫째로, 문법적, 시간적 그리고 감정적인 요소를 고려하여 요구사항 분류에 더 적합한 데이터 전처리 방법을 제안하고 이를 통해 분류 성능을 향상하였다.
세번째, 다양한 자연어처리를 이용하여 새로운 조합을 구성하고 이를 데이터 전처리과정에서 적용 및 변화를 관찰한다. 네번째, 자연어처리를 이용한 데이터 전처리과정으로 생성된 산출물을 기계학습 모델을 적용한다. 이를 통해, 모델의 분류 방법에 대해 먼저 평가하고 그 다음 서로 다른 모델과 성능을 비교하고 분석한다.
두 번째, 다양한 요구사항 데이터에 대해 자연어처리와 기계학습 모델의 비교 분석이다. 본 연구에서 관련 연구와는 달리 새로운 생성한 요구사항 데이터세트를 연구에 활용하였고, 이를 통해, 관련 연구와는 다른 수의 데이터와 양질의 요구사항 데이터를 연구 실험에서 적극 활용할 수 있었다.
이는 자연어처리 기법으로 해결되지 않아 때문에 지도학습 과정에서 방해 요소가 된다. 두 번째, 다양한 자연어처리 기법을 이용하여 조합하고 요구사항 데이터에 적용한다. 이를 통해, 텍스트 형식으로 구성된 요구사항 데이터를 지도학습 분류 모델에 적합한 형태로 변환한다.
두번째, 서포트 벡터 머신을 이용한 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하는 연구 실험에서 요구사항 데이터를 비확률적인 선형과 비선형으로 분류하기 위해 커널을 선형과 시그모이드, 방산형 그리고 다항으로 3개의 비선형 커널을 설정하고 비교 분석한다. 표 8는 각각 자연어처리와 기계학습 모델을 통해 가장 좋은 결과의 선형 분류와 비선형 분류의 결과를 정밀도와 재현율으로 정리한다.
이 연구에서 기여도는 첫째로, Google의 word2vec를 통해 미리 사전 학습된 워드 임베딩을 통해 요구사항 분류 모델의 성능을 향상하였다. 두번째, 합성곱 신경망의 학습 파라미터를 다양하게 설정하여 요구사항 분류에 최적화된 환경에 대해 결과를 도출하였다.
먼저, 기존에 요구 공학에서 공개한 요구사항 데이터세트를 제외하고 다른 연구에서 사용된 소프트웨어 요구사항 명세서에서 요구사항을 직접 추출하여 데이터세트를 구성 및 생성하고 이를 통해 요구사항 데이터세트를 추가 및 확장한다. 두번째, 확장된 요구사항 데이터 이해와 분석을 통해 데이터세트를 비교하고 차이점을 분석한다. 세번째, 다양한 자연어처리를 이용하여 새로운 조합을 구성하고 이를 데이터 전처리과정에서 적용 및 변화를 관찰한다.
먼저, 요구사항은 문자열 값으로 소프트웨어의 기능적 요구사항과 비기능적 요구사항을 명세하고 있다. 또한, 요구사항의 항목은 본 연구에서 기계학습을 위한 분류 항목으로 기능적 요구사항과 비기능적 요구사항을 포함하여 11개로 구성되어 있다. 각 세부항목이 가진 요구사항의 데이터의 개수는 다음 아래 표 2와 같이 정리된다.
이를 통해, 요구사항 분류에 대하여, 관련 연구와는 다른 방법을 제시하고 데이터 전처리 과정에서 자연어처리 조합과 지도 학습의 분류 모델을 적용하고 그 결과를 도출하였다. 마지막으로, 새로운 요구사항 데이터를 분류 모델을 통해 연구 실험 결과에 대해 검증 및 확인을 하였다.
두 번째, 요구사항은 문자열 값(String value)으로 소프트웨어의 기능적 요구사항과 비기능적 요구사항을 명세하고 있다. 마지막으로, 요구사항의 항목은 본 연구에서 기계학습을 위한 분류 항목으로 기능적 요구사항과 비기능적 요구사항을 포함하여 12개으로 구성되어 있다. 각 세부항목이 가진 요구사항의 데이터의 개수는 다음 아래 표 1와 같이 정리된다.
이를 통해, 모델의 분류 방법에 대해 먼저 평가하고 그 다음 서로 다른 모델과 성능을 비교하고 분석한다. 마지막으로, 자연어처리를 이용한 데이터 전처리와 기계학습 모델 사이의 관계를 분석하고 요구사항 분류의 최적의 모델의 도출한다.
먼저, 기존에 요구 공학에서 공개한 요구사항 데이터세트를 제외하고 다른 연구에서 사용된 소프트웨어 요구사항 명세서에서 요구사항을 직접 추출하여 데이터세트를 구성 및 생성하고 이를 통해 요구사항 데이터세트를 추가 및 확장한다. 두번째, 확장된 요구사항 데이터 이해와 분석을 통해 데이터세트를 비교하고 차이점을 분석한다.
먼저, 표 7에서 베이즈 분류 모델에서 사용된 나이브 베이즈와 다항 분포 베이즈를 비교 분석한다. 전체적으로 결과를 비교하면 다항 분포 베이즈가 나이브 베이즈보다 좋은 결과를 도출할 수 있었다.
베이즈 분류 모델은 확률적 분류 모델로 특성들 사이의 독립을 가정하는 베이즈 이론을 기초하여 각 요구사항에 사용되는 단어의 출현 빈도에 대해 독립성을 가정하고 각 단어가 레이블에 사용되는 확률을 바탕으로 요구사항을 분류한다. 본 연구에서 사용하는 베이즈 분류 모델은 가우시안 분포의 나이브와 다항 분포 베이즈를 적용한다.
본 연구에서 데이터 이해와 분석을 기반으로 데이터 정제 다음으로 자연어처리 기반의 데이터 전처리 수행한다. 데이터 전처리는 두 단계로 진행된다.
본 연구에서 자연어처리를 통해 생성된 7개의 조합을 NFR, Concordia 그리고 PURE 데이터세트에 적용하여 도출된 토큰과 그 종류의 결과를 다음 표 5로 정리한다.
두 번째, 본 연구 접근법에 있다. 본 연구에서 자연어처리와 기계학습 모델, 그리고 각 모델의 다양한 설정을 통해 모델의 분류 결과에 대해 비교 분석하였다. 본 연구에서 자연어처리와 기계학습을 이용한 데이터 중심적 접근법으로 연구 문제에 대해 해결책을 제시하고 있지만, 그러나 추후 다양한 방법으로 문제를 해결할 수 있고 본 연구에서 서로 다른 접근법과의 비교 분석 및 평가를 보여주지 못했다.
본 연구는 소프트웨어 요구사항 명세서에서 추출된 요구사항을 인공지능의 자연어처리와 기계 학습을 이용하여 데이터 중심적 접근법을 기반으로 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류에 대해 연구를 진행하였다. 본 연구에서는 관련 연구와의 다른 자연어처리와 기계학습 모델을 통해 연구 비교 분석 연구하였다. 이를 통해, 요구사항 분류에 대하여, 관련 연구와는 다른 방법을 제시하고 데이터 전처리 과정에서 자연어처리 조합과 지도 학습의 분류 모델을 적용하고 그 결과를 도출하였다.
기계학습 모델은 자연어를 입력 값으로 가질 수 없기 때문에 기계학습 모델에 적용하기 위해서는 자연어처리를 통해 단어 표현(Word Representation)으로 변환은 필수적이다. 본 연구의 데이터 전처리 과정에서는 어간 추출(Stemming), 불용어제거(Stopword Removal) 그리고 단어 빈도수-역문서 빈도수(Term Frequency-Inverse Document Frequency, tf-idf)를 사용하고 이를 통해 나온 결과를 바탕으로 정규 표현식을 이용한 토큰화와 토큰을 수치로 표현하는 단어 표현은 고정으로 설정하고 단어 빈도수-역문서 빈도수, Snowball 어간 추출[15], 그리고 불용어제거를 조합한다. 이를 통해, 다음 아래 표 4 과 같이 조합을 총 7개가 생성 및 구성한다.
두번째, 확장된 요구사항 데이터 이해와 분석을 통해 데이터세트를 비교하고 차이점을 분석한다. 세번째, 다양한 자연어처리를 이용하여 새로운 조합을 구성하고 이를 데이터 전처리과정에서 적용 및 변화를 관찰한다. 네번째, 자연어처리를 이용한 데이터 전처리과정으로 생성된 산출물을 기계학습 모델을 적용한다.
세번째, 신경망을 이용한 요구사항 분류에서 신경망의 활성함수를 탄젠트, 시그모이드, 선형, 그리고 리루 함수으로 설정하고 비교 분석한다. 표 9은 다양한 활성함수를 이용한 신경망 모델의 가장 좋은 분류 결과를 정밀도 그리고 재현율으로 정리한다.
신경망 모델은 입력 계층은 자연어처리 기법 조합을 이용한 전처리가 끝난 후 토큰의 개수로, 은닉 계층은 하나와 노드 수 100으로, 그리고 출력 계층은 분류할 항목 개수로 설정하고 최적화 알고리즘으로 Adam으로 설정하고, 활성 함수를 선형, 시그모이드, 탄젠트형, 그리고 리루을 설정하여 총 4가지 신경망 모델을 구성하고 이를 요구사항 분류에 적용한다.
[14] 에서 79개의 소프트웨어 요구사항 명세서에 대해 요구사항을 포함하여 명세서가 가진 모든 문장에 대해 분석되었다. 실제 79개 명세서에서 1234개의 기능적 요구사항과 805개의 비기능적 요구사항으로 총 2039개의 요구사항이 추출될 수 있었고 이를 통해, 본 연구에서 새롭게 데이터세트를 생성 및 구성하고 있다. 각 세부항목이 가진 요구사항의 데이터의 개수는 다음 아래 표 3와 같이 정리된다.
본 연구의 목적은 다양한 도메인에 대한 소프트웨어 요구사항 명세서로부터 수집된 요구사항을 데이터로 활용하여 데이터 중심적 접근법의 연구를 통해 요구사항을 분류한다. 이 과정에서 기존 요구사항의 특징과 정보를 바탕으로 다양한 자연어처리를 이용한 데이터 전처리와 기계학습 모델을 통해 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하고 각 조합의 결과를 제시한다. 이는, 자연어처리와 기계학습을 이용한 도출된 객관적이고 일관성 있는 요구사항 분류 결과이며 새로운 요구사항 데이터에 대해 본 연구에서 도출된 결과를 기반으로 적합한 자연어처리와 기계학습 모델을 제안한다.
본 연구에서 사용되는 데이터세트 내의 모든 데이터는 명시적인 정답 즉, 지도학습에 필요한 항목이 모두 존재한다. 이는 지도학습이 가능하다는 것을 의미하고 본 연구에서는 지도학습을 이용하여 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류한다. 본 연구 실험에서 사용되는 분류 모델로 확률적 모델, 비확률적 모델 그리고 신경망 모델이 있다.
각 분류 모델은 매개변수에 따라 분류 성능과 학습에 영향을 미친다. 이를 고려하여 각 모델에 분류 방식을 다양하게 설정하여 연구 실험에 적용하였다.
본 연구에서는 관련 연구와의 다른 자연어처리와 기계학습 모델을 통해 연구 비교 분석 연구하였다. 이를 통해, 요구사항 분류에 대하여, 관련 연구와는 다른 방법을 제시하고 데이터 전처리 과정에서 자연어처리 조합과 지도 학습의 분류 모델을 적용하고 그 결과를 도출하였다. 마지막으로, 새로운 요구사항 데이터를 분류 모델을 통해 연구 실험 결과에 대해 검증 및 확인을 하였다.
서포트 벡터 머신은 비확률적 분류 모델로, 커널 트릭을 이용하여 서포트 벡터 머신 분류 모델이 요구사항 데이터를 비확률적으로 선형과 비선형 분류를 가능하다. 이를 통해, 주어진 요구사항이 기능적 요구사항 또는 비기능적 요구사항 항목에 범주하는지 판단하기 위해 선형과 비선형으로 분류할 수 있도록 커널 트릭을 이용하여 요구사항을 비확률적으로 선형 분류와 비선형에서 시그모이드, 방산형 그리고 다항 커널을 설정하여 비선형 분류, 총 4가지 서포트 벡터 머신을 본 연구에서 사용한다.
이를 통해, 모델의 분류 방법에 대해 먼저 평가하고 그 다음 서로 다른 모델과 성능을 비교하고 분석한다.

대상 데이터

본 연구에서 사용하는 요구사항 데이터는 총 세 가지로 The Quality Attributes (NFR) 데이터세트는 25th IEEE International Requirements Engineering Conference (RE’17)에서 제공하였다. Public Requirements (PURE) 와 Concordia RE Corpus (Concordia) 데이터세트는 본 연구에 검증을 위해 새롭게 생성한 데이터세트로 각각 National Research Council of Italy와 캐나다 Concordia 대학의 The Semantic Software Lab에서 제공 및 연구되었다.
이는 지도학습이 가능하다는 것을 의미하고 본 연구에서는 지도학습을 이용하여 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류한다. 본 연구 실험에서 사용되는 분류 모델로 확률적 모델, 비확률적 모델 그리고 신경망 모델이 있다. 각 분류 모델은 매개변수에 따라 분류 성능과 학습에 영향을 미친다.
본 연구에서 사용하는 요구사항 데이터는 총 세 가지로 The Quality Attributes (NFR) 데이터세트는 25th IEEE International Requirements Engineering Conference (RE’17)에서 제공하였다.
이 데이터세트는 OpenScience tera-Promise repository와 25th IEEE International Requirements Engineering Conference (RE’17)의 Data track에서 제공 및 소개된 공개 요구사항 데이터세트로, 15개의 소프트웨어의 255개의 기능적 요구사항과 370개의 비기능적 요구사항으로 총 625개의 요구사항이 있다.

데이터처리

이 연구에서 기여도는 첫째로, 문법적, 시간적 그리고 감정적인 요소를 고려하여 요구사항 분류에 더 적합한 데이터 전처리 방법을 제안하고 이를 통해 분류 성능을 향상하였다. 두번째, 제안한 특징 선택을 이용하여 다양한 기계학습 알고리즘 적용 및 성능을 비교 분석하였다.
본 연구에서 진행한 연구 실험의 결과는 정밀도와 재현율을 기준으로 자연어처리와 기계학습 분류 모델을 비교한다. 먼저, 모든 결과는 k겹 교차 검증 방식(k-Fold Cross Validation)을 통하여 출력된다.

이론/모형

본 연구에서 진행한 연구 실험의 결과는 정밀도와 재현율을 기준으로 자연어처리와 기계학습 분류 모델을 비교한다. 먼저, 모든 결과는 k겹 교차 검증 방식(k-Fold Cross Validation)을 통하여 출력된다. k겹 교차 검증 방식은 전체 데이터 세트를 k개의 그룹으로 분할하고(k-1)개의 학습 그룹과 1개의 검증 그룹으로 지정하고 검증마다 학습 그룹과 검증 그룹을 다르게 하여 총 k회 검증을 통해 성능을 측정한다.
베이즈 분류 모델은 확률적 분류 모델로 특성들 사이의 독립을 가정하는 베이즈 이론을 기초하여 각 요구사항에 사용되는 단어의 출현 빈도에 대해 독립성을 가정하고 각 단어가 레이블에 사용되는 확률을 바탕으로 요구사항을 분류한다. 본 연구에서 사용하는 베이즈 분류 모델은 가우시안 분포의 나이브와 다항 분포 베이즈를 적용한다.[16]

성능/효과

표 10는 본 연구에서 사용된 모든 데이터세트에 대해 자연어처리와 기계학습을 이용한 요구사항분류에 대해 가장 좋은 결과를 정리하였다. NFR 데이터세트에서는 단어 빈도수-역문서 빈도수로 데이터 전처리를 적용 후에 탄젠트와 리루 활성함수를 이용한 신경망 모델이, Concordia 데이터세트에서는 단어 빈도수-역문서 빈도수로 데이터 전처리를 적용 후에 다항 분포 베이즈 분류 모델이 그리고 PURE 데이터세트에서는 단어 빈도수-역문서 빈도수로 데이터 전처리를 적용 후에 시그모이드 활성함수를 이용한 신경망이 가장 성능을 도출할 수 있었다. 이를 통해, 신경망 모델은 요구사항의 개수와 요구사항의 문장 구성이 복잡해진 경우에 베이즈 분류 모델과 서포트 벡터 머신보다 정확한 분류가 유추 가능하고 요구사항의 개수는 많지만 문장의 구성이 단순한 경우에서는 신경망 모델보다 베이즈 분류 모델을 통해 정확한 분류가 가능하다는 것을 유추할 수 있다.
본 연구에서 관련 연구와는 달리 새로운 생성한 요구사항 데이터세트를 연구에 활용하였고, 이를 통해, 관련 연구와는 다른 수의 데이터와 양질의 요구사항 데이터를 연구 실험에서 적극 활용할 수 있었다. 그 결과, 본 연구에서는 데이터의 수와 질이 어느정도 보장 되어있는 경우에 자연어처리와 기계학습 모델 적용이 어떤 결과를 도출할 수 있는지 실험을 통해 확인할 수 있었고, 본 연구를 통해 데이터의 수와 질이 기계학습 적용 결과에 어떤 영향을 미치는지 비교 분석을 할 수 있었다.
먼저, 프로젝트 번호는 수치형 값(Numeric value)으로 1-15의 값을 가지고 있다. 두 번째, 요구사항은 문자열 값(String value)으로 소프트웨어의 기능적 요구사항과 비기능적 요구사항을 명세하고 있다. 마지막으로, 요구사항의 항목은 본 연구에서 기계학습을 위한 분류 항목으로 기능적 요구사항과 비기능적 요구사항을 포함하여 12개으로 구성되어 있다.
이는, 요구사항과 같은 문자열 데이터 또는 문서 분류에서는 자연어처리를 이용한 다양한 데이터 전처리를 진행해도 선형 분류는 비선형의 분류 결과보다 적용하는 것이 좋고 이는 서포트 벡터 머신에서 비선형 커널은 본 연구 문제를 해결하는데 있어서 적합한 모델이 아닌 것을 보여주고 있다. 또한, 비선형 분류 과정에서도 같은 요구사항 데이터라도 데이터가 가진 특징과 성격에 따라서 그 분류 결과는 다양하게 도출된 것을 확인할 수 있었다.
표 9은 다양한 활성함수를 이용한 신경망 모델의 가장 좋은 분류 결과를 정밀도 그리고 재현율으로 정리한다. 본 연구의 실험 결과로, 모든 요구사항 데이터세트에 대해 단어 빈도수-역문서 빈도수는 기계학습 분류 성능에 가장 필수적인 요인이지만 오히려 어간 추출과 불용어 제거와 같은 단어의 개수와 종류에 영향을 주는 자연어처리를 같이 쓰는 경우는 신경망 모델의 학습에 방해가 되는 것을 확인할 수 있었다.
[12]의 제안한 문서 분류의 합성곱 신경망을 통해 요구사항을 얼마나 더 정확히 분류할 수 있는지 연구하였다. 이 연구에서 기여도는 첫째로, Google의 word2vec를 통해 미리 사전 학습된 워드 임베딩을 통해 요구사항 분류 모델의 성능을 향상하였다. 두번째, 합성곱 신경망의 학습 파라미터를 다양하게 설정하여 요구사항 분류에 최적화된 환경에 대해 결과를 도출하였다.
[10]의 연구에서 제안한 특징 추출을 기반으로 특징 선택을 제안하여 요구사항을 기능적 요구사항과 비기능적 요구사항 분류에 대한 연구에 대해 여러 알고리즘을 적용하여 비교 연구하였다. 이 연구에서 기여도는 첫째로, 문법적, 시간적 그리고 감정적인 요소를 고려하여 요구사항 분류에 더 적합한 데이터 전처리 방법을 제안하고 이를 통해 분류 성능을 향상하였다. 두번째, 제안한 특징 선택을 이용하여 다양한 기계학습 알고리즘 적용 및 성능을 비교 분석하였다.
이는, 데이터의 특성을 계산할 때, 가우시안 분포로 계산하는 나이브 베이즈보다 다항 분포로 계산하는 다항 분포 베이즈 모델이 같은 베이즈 이론에 기반한 모델이라도 확률에 대해 특성의 분포에 대해 그 분류 성능은 2% ~ 12% 차이를 보여주고 있다.
전체적으로 서포트 벡터 머신으로 비확률적 선형 이진 분류의 결과가 비선형 이진 분류보다 큰 차이로 높은 성능의 결과가 도출되었다. 이는, 요구사항과 같은 문자열 데이터 또는 문서 분류에서는 자연어처리를 이용한 다양한 데이터 전처리를 진행해도 선형 분류는 비선형의 분류 결과보다 적용하는 것이 좋고 이는 서포트 벡터 머신에서 비선형 커널은 본 연구 문제를 해결하는데 있어서 적합한 모델이 아닌 것을 보여주고 있다. 또한, 비선형 분류 과정에서도 같은 요구사항 데이터라도 데이터가 가진 특징과 성격에 따라서 그 분류 결과는 다양하게 도출된 것을 확인할 수 있었다.
자연어처리를 이용한 데이터 전처리에서는 어간 추출과 불용어제거와 같은 토큰의 개수와 종류를 감소하여 데이터의 희소성을 좀 더 밀집형태로 변형하는 데이터 전처리보다는 단어 빈도수와 역문서 빈도수를 기반으로 단어의 가중치를 계산하는 데이터 전처리가 다른 전처리보다 좋은 결과를 도출할 수 있었다. 이를 통해, 모든 단어를 고려하여 가중치 값은 기계학습에서 긍정적인 요인을 볼 수 있고 오히려 문장에서 의미 없는 단어를 제거하는 불용어 제거는 부정적인 요소로 확인할 수 있었다.
NFR 데이터세트에서는 단어 빈도수-역문서 빈도수로 데이터 전처리를 적용 후에 탄젠트와 리루 활성함수를 이용한 신경망 모델이, Concordia 데이터세트에서는 단어 빈도수-역문서 빈도수로 데이터 전처리를 적용 후에 다항 분포 베이즈 분류 모델이 그리고 PURE 데이터세트에서는 단어 빈도수-역문서 빈도수로 데이터 전처리를 적용 후에 시그모이드 활성함수를 이용한 신경망이 가장 성능을 도출할 수 있었다. 이를 통해, 신경망 모델은 요구사항의 개수와 요구사항의 문장 구성이 복잡해진 경우에 베이즈 분류 모델과 서포트 벡터 머신보다 정확한 분류가 유추 가능하고 요구사항의 개수는 많지만 문장의 구성이 단순한 경우에서는 신경망 모델보다 베이즈 분류 모델을 통해 정확한 분류가 가능하다는 것을 유추할 수 있다. 자연어처리를 이용한 데이터 전처리에서는 어간 추출과 불용어제거와 같은 토큰의 개수와 종류를 감소하여 데이터의 희소성을 좀 더 밀집형태로 변형하는 데이터 전처리보다는 단어 빈도수와 역문서 빈도수를 기반으로 단어의 가중치를 계산하는 데이터 전처리가 다른 전처리보다 좋은 결과를 도출할 수 있었다.
이는, 데이터의 특성을 계산할 때, 가우시안 분포로 계산하는 나이브 베이즈보다 다항 분포로 계산하는 다항 분포 베이즈 모델이 같은 베이즈 이론에 기반한 모델이라도 확률에 대해 특성의 분포에 대해 그 분류 성능은 2% ~ 12% 차이를 보여주고 있다. 이를 통해, 요구사항 분류와 더 나아가 문서 분류에 있어서 모든 데이터 전처리 경우에서 다항 분포 베이즈에서 더 좋은 결과를 도출할 수 있다.
이를 통해, 신경망 모델은 요구사항의 개수와 요구사항의 문장 구성이 복잡해진 경우에 베이즈 분류 모델과 서포트 벡터 머신보다 정확한 분류가 유추 가능하고 요구사항의 개수는 많지만 문장의 구성이 단순한 경우에서는 신경망 모델보다 베이즈 분류 모델을 통해 정확한 분류가 가능하다는 것을 유추할 수 있다. 자연어처리를 이용한 데이터 전처리에서는 어간 추출과 불용어제거와 같은 토큰의 개수와 종류를 감소하여 데이터의 희소성을 좀 더 밀집형태로 변형하는 데이터 전처리보다는 단어 빈도수와 역문서 빈도수를 기반으로 단어의 가중치를 계산하는 데이터 전처리가 다른 전처리보다 좋은 결과를 도출할 수 있었다. 이를 통해, 모든 단어를 고려하여 가중치 값은 기계학습에서 긍정적인 요인을 볼 수 있고 오히려 문장에서 의미 없는 단어를 제거하는 불용어 제거는 부정적인 요소로 확인할 수 있었다.
먼저, 표 7에서 베이즈 분류 모델에서 사용된 나이브 베이즈와 다항 분포 베이즈를 비교 분석한다. 전체적으로 결과를 비교하면 다항 분포 베이즈가 나이브 베이즈보다 좋은 결과를 도출할 수 있었다. 이는, 데이터의 특성을 계산할 때, 가우시안 분포로 계산하는 나이브 베이즈보다 다항 분포로 계산하는 다항 분포 베이즈 모델이 같은 베이즈 이론에 기반한 모델이라도 확률에 대해 특성의 분포에 대해 그 분류 성능은 2% ~ 12% 차이를 보여주고 있다.
표 8는 각각 자연어처리와 기계학습 모델을 통해 가장 좋은 결과의 선형 분류와 비선형 분류의 결과를 정밀도와 재현율으로 정리한다. 전체적으로 서포트 벡터 머신으로 비확률적 선형 이진 분류의 결과가 비선형 이진 분류보다 큰 차이로 높은 성능의 결과가 도출되었다. 이는, 요구사항과 같은 문자열 데이터 또는 문서 분류에서는 자연어처리를 이용한 다양한 데이터 전처리를 진행해도 선형 분류는 비선형의 분류 결과보다 적용하는 것이 좋고 이는 서포트 벡터 머신에서 비선형 커널은 본 연구 문제를 해결하는데 있어서 적합한 모델이 아닌 것을 보여주고 있다.

후속연구

요구공학에서 소프트웨어 요구사항을 기능적 요구사 항과 비기능적 요구사항으로 분류하는 일은 요구사항 분석 단계에서 중요한 작업 중 하나이다. 기능적 요구사항과 비기능적 요구사항의 정확한 분류는 소프트웨어 개발에서 정확한 요구사항 분석을 도출할 수 있으며, 더 나아가 특정 도메인에 대해서 소프트웨어의 신뢰성, 안정성, 보안성, 효율성 등과 같은 다양한 비기능적 소프트웨어 품질을 만족할 수 있는 믿을 수 있는 소프트웨어(Dependable Software)를 개발할 수 있다. 이를 통해, 소프트웨어의 기능적 요구사항과 비기능적 요구사항을 정확히 정의하고 신뢰성과 안정성을 가진 소프트웨어 개발을 통해 프로젝트의 실패를 피할 수 있다.
이를 통해, 소프트웨어 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류하는 연구에 대해 최적화된 방법을 제시한다. 더 나아가, 본 연구에서 도출된 결과를 통해 요구공학 전문가를 보조할 수 있고, 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류에 대해 효율적인 분석을 가능하게 할 수 있다.
두 번째, 다양한 요구사항 데이터에 대해 자연어처리와 기계학습 모델의 비교 분석이다. 본 연구에서 관련 연구와는 달리 새로운 생성한 요구사항 데이터세트를 연구에 활용하였고, 이를 통해, 관련 연구와는 다른 수의 데이터와 양질의 요구사항 데이터를 연구 실험에서 적극 활용할 수 있었다. 그 결과, 본 연구에서는 데이터의 수와 질이 어느정도 보장 되어있는 경우에 자연어처리와 기계학습 모델 적용이 어떤 결과를 도출할 수 있는지 실험을 통해 확인할 수 있었고, 본 연구를 통해 데이터의 수와 질이 기계학습 적용 결과에 어떤 영향을 미치는지 비교 분석을 할 수 있었다.
본 연구에서 자연어처리와 기계학습 모델, 그리고 각 모델의 다양한 설정을 통해 모델의 분류 결과에 대해 비교 분석하였다. 본 연구에서 자연어처리와 기계학습을 이용한 데이터 중심적 접근법으로 연구 문제에 대해 해결책을 제시하고 있지만, 그러나 추후 다양한 방법으로 문제를 해결할 수 있고 본 연구에서 서로 다른 접근법과의 비교 분석 및 평가를 보여주지 못했다.
첫 번째, 본 연구의 한계점을 극복하는 방향으로 연구를 진행할 수 있다. 본 연구에서는 소프트웨어 요구사항 명세서에서 요구사항 추출하여 새로운 요구사항 데이터세트를 생성과 동시에 데이터 중심적인 접근법을 통해 자연어처리와 기계학습을 적용하였기 때문에 연구의 접근법에 한계가 있다. 이는, 다른 연구 접근법 또는 다른 분석을 통해 요구사항 분류에 대한 연구를 다양한 측면에서 진행하고 이를 비교 및 검증한다면 더욱 의미 있는 결과를 도출할 수 있기 때문이다.
두 번째, 본 연구에서 다루지 못한 요구사항의 문제를 해결하는 방향을 진행할 수 있다. 본 연구에서는 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류에만 집중하였기 때문에 요구사항이 가지는 다양한 문제점을 다루지 못하였다. 이는, 다양한 요구사항들 간에 존재하는 문제에 대해 연구와 분석이 필요하며 이를 통해, 본 연구에서 제안하는 방법보다 더 정확하고 적합한 연구 문제 해결 방법을 제시할 수 있다.
세 번째, 다양한 자연어처리와 기계학습 모델을 적용하여 요구사항 분류에 대해 결과와 최적화된 모델을 제시에 있다. 본 연구에서 요구사항 데이터에 대해 자연어처리를 이용한 다양한 데이터 전처리 조합과 기계학습 모델을 적용하여 그 결과를 도출하였고 이를 비교 분석을 통해 본 연구의 문제점 해결에 최적화된 방법을 제시하고 있다.
본 연구에서는 요구사항을 기능적 요구사항과 비기능적 요구사항으로 분류에만 집중하였기 때문에 요구사항이 가지는 다양한 문제점을 다루지 못하였다. 이는, 다양한 요구사항들 간에 존재하는 문제에 대해 연구와 분석이 필요하며 이를 통해, 본 연구에서 제안하는 방법보다 더 정확하고 적합한 연구 문제 해결 방법을 제시할 수 있다.
본 연구에서 요구사항 데이터에 대해 자연어처리를 이용한 다양한 데이터 전처리 조합과 기계학습 모델을 적용하여 그 결과를 도출하였고 이를 비교 분석을 통해 본 연구의 문제점 해결에 최적화된 방법을 제시하고 있다. 이를 통해, 향후 요구사항 데이터를 활용한 연구에서 본 연구에서 도출된 결과와 제시하는 최적화된 방법을 활용할 수 있다.
본 연구에서는 특정 항목에 대해 다양한 자연어처리와 기계학습 모델을 통해 데이터 전처리와 분류를 연구 실험에서 진행하였고 이를 통해, 실험 과정에서 다양한 데이터의 변화와 실험 결과를 도출할 수 있었다. 이와 같이, 특정 항목에 대해 분류하는 연구에 대해 본 연구에서 정형화된 연구 방법론을 적용할 수 있으며 이는, 다양한 도메인의 문제를 해결할 수 있는 방법으로 제시할 수 있다.
기계 학습을 이용한 연구에서 정확도, 정밀도 그리고 재현율과 같이 모델의 성능을 평가하는 기준의 점수가 높을수록 그 모델의 성능은 좋다고 평가할 수 있다. 하지만 본 연구에서 다양한 데이터 전처리와 기계학습 모델을 사용하여 다양한 결과를 도출하였지만 관련 연구의 결과보다 뚜렷하게 향상된 결과를 보여주지 못했다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소프트웨어 요구사항 명세서를 자동화 시스템을 이용하여 기능적, 비기능적 요구사항으로 분류하는데에 어떤 문제점이 발생하는가?	그래서 자동화 시스템(Automated System)은 이러한 수동식 시스템 방식의 한계점을 보완하고 해결하려고 했지만 새로운 문제점들이 발생하였다. 실제 요구사항은 자연어로 작성되어 있고 자연어 특성 때문에 그에 따른 문제들이 발견되었다. 자연어의 특성상 이해관계자들 간에 다른 용어의 사용, 동일한 요구사항의 서로 다른 묘사 및 해석 등은 자동화 분류 시스템이 자연어를 정확히 이해하고 분류하는데 있어서 많은 문제점을 초래한다. 그로 인해 자동화 분류 시스템을 통해 정확한 기능적 요구사항과 비기능적 요구사항의 분류 결과를 도출할 수 없다.
	소프트웨어공학에서 요구사항 분석은 무엇인가?	소프트웨어공학(Software Engineering)에서 요구사항 분석(Requirements Analysis)은 소프트웨어에 대해 요구가 무엇인지를 추출하여 소프트웨어 요구사항 명세서를 작성하는 작업으로, 사용자의 요구를 추출하여 목표를 정하고 어떤 방식으로 해결할 것인지를 결정하는 단계이다.[2] 이를 통해, 구현될 시스템의 기능이나 목표, 제약사항 등과 사용자로부터 시스템 개발에 필요한 정보를 추출할 수 있다.
	소프트웨어 개발에 실패하는 요인은 무엇인가?	실제 대다수 소프트웨어 개발에 실패하는 요인으로는 의사소통의 실패로 이해관계자의 요구사항을 정확히 도출하지 못한 경우, 요구사항의 의미를 서로 다르게 이해하는 경우, 그리고 소프트웨어가 요구사항을 제대로 충족하지 못한 경우 등이 있다. 실제로 소프트웨어 요구사항은 소프트웨어 개발 분야에서 사용자의 필요성, 계약상에 명시된 내용, 표준 사양서, 작성된 공식 문서 등에서 찾아낸 소프트웨어가 반드시 수행해야 할 필요한 조건, 기능 또는 능력을 서술하고 있고 이러한 요구사항을 정확하게 분석하는 작업이 소프트웨어 개발에 중요성이 점차 커지면서 요구공학(Requirements Engineering)에서는 체계적인 분석 모델을 통해 요구사항 추출, 분석, 명세, 검증과 유지보수 및 관리하여 명확하게 요구사항을 분석한다.

참고문헌 (16)

Bourque, Pierre, and Richard E. Fairley. Guide to the software engineering body of knowledge (SWEBOK (R)): Version 3.0. IEEE Computer Society Press, 2014.
Kotonya, Gerald, and Ian Sommerville. Requirements engineering: processes and techniques. Wiley Publishing, 1998.
Sommerville, Ian. "Software engineering 9th Edition." ISBN-10137035152 (2011).
Glinz, Martin. "A glossary of requirements engineering terminol ogy." Standard Glossary of the Certified Professional for Requirements Engineering (CPRE) Studies and Exam, Version 1 (2011).
Van Lamsweerde, Axel. Requirements engineering: From system goals to UML models to software. Vol. 10. Chichester, UK: John Wiley & Sons, 2009.
Ernst, Neil A., and John Mylopoulos. "On the perception of software quality requirements during the project lifecycle." International Working Conference on Requirements Engineering: Foundation for Software Quality. Springer, Berlin, Heidelberg, 2010.
Abad, Zahra Shakeri Hossein, and Guenther Ruhe. "Using real options to manage technical debt in requirements engineering." 2015 IEEE 23rd International Requirements Engineering Conference (RE). IEEE, 2015.
Abad, Zahra Shakeri Hossein, et al. "What are practitioners asking about requirements engineering? an exploratory analysis of social q&a sites." 2016 IEEE 24th International Requirements Engineering Conference Workshops (REW). IEEE, 2016.
Abad, Zahra Shakeri Hossein, et al. "What works better? a study of classifying requirements." 2017 IEEE 25th International Requirements Engineering Conference (RE). IEEE, 2017.
Hussain, Ishrar, Leila Kosseim, and Olga Ormandjieva. "Using linguistic knowledge to classify non-functional requirements in SRS documents." International Conference on Application of Natural Language to Information Systems. Springer, Berlin, Heidelberg, 2008.
Dekhtyar, Alex, and Vivian Fong. "RE data challenge: Requirements identification with Word2Vec and TensorFlow." 2017 IEEE 25th International Requirements Engineering Conference (RE). IEEE, 2017.
Y. Kim, "Convolutional neural networks for sentence classif ication," in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, EMNLP 2014, 2014, pp. 1746-1751.
Rashwan, Abderahman, Olga Ormandjieva, and Rene Witte. "Ontology-based classification of non-functional requirements in software specifications: a new corpus and svm-based classifier." 2013 IEEE 37th Annual Computer Software and Applications Conference. IEEE, 2013.
Ferrari, Alessio, Giorgio Oronzo Spagnolo, and Stefania Gnesi. "PURE: A dataset of public requirements documents." 2017 IEEE 25th International Requirements Engineering Conference (RE). IEEE, 2017.
Porter, Martin F. "Snowball: A language for stemming algori thms." (2001).
Qiang, Guo. "An effective algorithm for improving the performance of Naive Bayes for text classification." 2010 Second International Conference on Computer Research and Development. 2010.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증