arXiv cs.AI· Haoming Huang, Shinpei Hayashi, Kazuya Kohata, Myeongki Kim, Yuki Kurihara·· 14 小时前AI 评分20
工业场景下的多模态需求可追溯性链接恢复：基于 RAG 与视觉语言模型的方法
Multimodal Requirements Traceability Link Recovery in Industrial Settings
AI 导读
研究扩展了一种 RAG 方法用于需求间可追溯性链接恢复，分别检索文本与图像候选，用视觉语言模型对每对候选分类，并按言语化置信度过滤预测链接。在三个不重叠的工业需求集上，该方法 F1 达 0.310，而复现的 Hey et al. 基线为 0.114，并在全部四种模态组合下恢复链接。图像查询难以检索到相关文本需求仍是主要瓶颈，跨模态检索被列为后续优化重点。
正文 · AI 翻译
摘要：需求可追溯性链接支持变更影响分析、覆盖率检查和验证等活动。工业需求可能包含可追溯的图像，而纯文本方法无法直接处理这些图像。对于固定的分类器配置，仅靠二元决策无法直接调整漏检链接与错误链接之间的平衡。我们扩展了一种用于需求间可追溯性链接恢复（TLR）的检索增强生成（RAG）方法。我们的扩展分别检索文本和图像候选，使用视觉语言模型对每个检索到的配对进行分类，并通过言语化置信度过滤预测的链接。我们在三个互不重叠的工业需求集和六个公开的纯文本数据集上评估了我们的方法。在工业测试集上，我们的方法取得了 0.310 的 F1 分数，而我们复现的 Hey 等人的基线方法为 0.114。我们的方法在全部四种模态组合中都能恢复链接，同时在工业数据上提升了纯文本 F1，并在公开数据集上保持了相似的性能，但恢复仍受限于无法为图像查询检索到相关文本需求。置信度过滤产生的链接集具有不同的精确率和召回率，从未过滤的链接集中移除了假阳性以及一些正确恢复的链接。本研究为当前基于 RAG 的 TLR 方法在多模态需求上的潜力和局限性提供了工业证据，并将跨模态检索确定为进一步优化中应优先考虑的组件。
| 评论： | 已被 APSEC 2026 接收 |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.34503 [cs.SE] |
| （或 arXiv:2610.34503v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34503 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haoming Huang [查看电子邮件]
[v1]
2026年10月25日星期日 19:00:49 UTC（206 KB）
来源：arXiv cs.AI · arxiv.org