软件需求分类对软件质量保证至关重要。现有的基于图的方法未能捕捉需求句子的句法、语义和上下文深度。尽管最近的方法利用了图神经网络（GNN），但它们存在三大局限：基于语法的边权刚性、忽略上下文的术语频率表示、以及仅考虑一种语言关系的单视图偏差。为了解决这些挑战，我们提出了MVG-DMA，一种新颖的多视图图框架，带来了三种范式转变：（1）从静态依赖分析到动态图构建模块，该模块构建具有神经依赖权重预测的依赖图，同时构建具有句法邻域和位置关系的上下文感知语义图，取代浅层术语统计。依赖图和语义图通过并行批处理构建。（2）该框架进一步集成基于主成分分析（PCA）的降维技术，以最大限度地保留语义，同时降低计算复杂性。（3）从单视图到多视图合成，我们的系统利用视图特定的DCMHA变换器编码器，通过残差连接在变换器编码和图结构表示之间实现自适应特征级融合。（4）视图级融合和分类模块结合了向量加权池和基于注意力的评分，以生成语义密集的句子表示，然后通过视图融合和分类器处理，以预测需求类别。在基准数据集PROMISE、NFR-SO和NFR-Review上的实验评估表明，所提出的系统缩小了序列和基于图的自然语言处理之间的差距。它提供了一个可靠且可扩展的需求分类解决方案，对法律文档分类、医学文本挖掘以及其他专业NLP任务具有更广泛的影响。
P等（星期三）研究了这个问题。