زعفران: یک چارچوب نیمه‌خودکار برای اولویت‌بندی نیازمندی‌های نرم‌افزار

به دلیل ماهیت پویای روش‌های توسعه نرم‌افزار امروزی، تغییرات در نیازمندی‌ها پذیرفته شده و مورد توجه مناسب قرار می‌گیرند. با این حال، این امر مشکل تغییر رتبه (rank reversal problem) را ایجاد می‌کند که شامل اولویت‌بندی مجدد نیازمندی‌ها بر اساس بازخورد ذینفعان است. این فرآیند به‌دلیل زمان صرف شده در تعاملات انسانی زیاد، هزینه قابل توجهی را به همراه دارد. برای حل این مشکل، در این مقاله چارچوب نیمه‌خودکار برای اولویت‌بندی نیازمندی‌های نرم‌افزاری (SAFFRON) ارائه شده است. SAFFRON برای یک نیازمندی خاص، رتبه‌بندی‌های مناسب ذینفعان را پیش‌بینی می‌کند تا تعاملات انسانی کاهش یابد. در ابتدا، فیلترینگ مشارکتی آیتم به آیتم برای تخمین شباهت بین نیازمندی‌های جدید و نیازمندی‌های قبلاً استخراج‌شده استفاده می‌شود. با استفاده از این شباهت، ذینفعانی که به‌احتمال زیاد نیازمندی‌ها را رتبه‌بندی می‌کنند، تعیین می‌شوند. پس از آن، فیلترینگ مشارکتی مبتنی بر مدل عامل نهفته برای پیش‌بینی رتبه‌بندی‌های آن ذینفعان به کار می‌رود. رویکرد پیشنهادی بر روی مجموعه داده RALIC پیاده‌سازی و آزمایش شده است. نتایج، همبستگی سازگاری را مشابه رویکردهای حالت پیشرفته با حقیقت پایه نشان می‌دهند. علاوه بر این، SAFFRON برای اولویت‌بندی مجدد نیازمندی‌ها به ۱۳.۵ تا ۲۷ درصد تعامل انسانی کمتری نیاز دارد.

Due to dynamic nature of current software development methods, changes in requirements are embraced and given proper consideration. However, this triggers the rank reversal problem which involves re-prioritizing requirements based on stakeholders’ feedback. It incurs significant cost because of time elapsed in large number of human interactions. To solve this issue, a Semi-Automated Framework for software Requirements priOritizatioN (SAFFRON) is presented in this paper. For a particular requirement, SAFFRON predicts appropriate stakeholders’ ratings to reduce human interactions. Initially, item-item collaborative filtering is utilized to estimate similarity between new and previously elicited requirements. Using this similarity, stakeholders who are most likely to rate requirements are determined. Afterwards, collaborative filtering based on latent factor model is used to predict ratings of those stakeholders. The proposed approach is implemented and tested on RALIC dataset. The results illustrate consistent correlation, similar to state of the art approaches, with the ground truth. In addition, SAFFRON requires 13.5-27% less human interaction for re-prioritizing requirements.