arXiv cs.CL· Tanu Singh, Aashna Suman, Vinod Patidar·· 12 小时前AI 评分31
HiddenLens：检测与消解软件需求隐藏假设的多层 LLM 框架
HiddenLens: A Multi-Layer LLM Framework for Detecting and Resolving Hidden Assumptions in Software Requirements
AI 导读
HiddenLens 是一个六层 BERT-LLM 流水线，用于检测、分类、质询并消解软件需求中的隐藏假设，端到端 F1 达 0.79，较关键词基线和 QuARS-Adapted 基线分别高出 71% 和 61%。其 BERT 非功能需求分类器 F1 为 0.847，并配套发布含 312 条需求、847 个隐藏假设标注的 HiddenLens Corpus（HLC）数据集。
正文 · AI 翻译
摘要：自然语言软件需求常常遗漏关于性能、运行条件、用户行为和领域约束的假设，从而影响架构、测试和部署。如果直到实现阶段才发现这些问题，解决它们的成本远高于早期处理。尽管歧义和模糊性已被广泛研究，但人们对需求中看似清晰合理的隐含假设关注较少。我们提出 HiddenLens，一种新颖的六层 BERT-LLM 流水线，据我们所知，这是首个专门用于检测、分类、质疑和解决隐藏假设而非仅仅标记歧义的框架。第 1 层使用 BERT 注意力熵定位未解决的片段；第 2 层使用 CoT 提示的 LLM 推理来阐明每个假设及其失败风险；第 3 层使用微调的 BERT 将假设分类为六个非功能需求类别：性能、安全性、可扩展性、可用性、可靠性和领域；第 4 层使用 FS LLM 提示生成排序后的澄清选项；第 5 层通过确认、编辑或改写实现人工验证；第 6 层使用确认后的解决方案重写需求，生成明确、可测试且可追溯的需求。我们还引入了 HiddenLens 语料库（HLC），包含 312 条需求，标注了跨六个 NFR 类别的 847 个隐藏假设。受 PROMISE 和 PURE 启发，HLC 解决了该任务缺乏标注数据的问题，据我们所知，这是首个专门为此开发的数据集。HiddenLens 分别比基于关键词和 QuARS-Adapted 的基线高出 71% 和 61%，端到端 F1 分数达到 0.79；其基于 BERT 的 NFR 分类器 F1 分数达到 0.847。这些结果表明，HiddenLens 可以帮助分析师在隐藏假设传播到整个软件开发过程之前解决它们。
| 评论： | 24 页，14 张图，10 张表 |
| 主题： | 软件工程 (cs.SE)；人工智能 (cs.AI)；计算与语言 (cs.CL) |
| 引用为： | arXiv:2610.29996 [cs.SE] |
| （或 arXiv:2610.29996v1 [cs.SE] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.29996 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Vinod Patidar [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 16:35:35 UTC（2,307 KB）
来源：arXiv cs.CL · arxiv.org