（呂梁學院，經(jīng)濟管理系，山西呂梁市，033000） 郭越樂

作為信息化建設(shè)項目的核心，軟件造價分析工作發(fā)揮著重要作用，在分析和利用信息化工程造價數(shù)據(jù)時，如果沒有大數(shù)據(jù)技術(shù)作支撐，軟件造價分析新方法的功能難以充分發(fā)揮，從而造成大量異常數(shù)據(jù)產(chǎn)生，從而影響造價分析的準確率[1-2]。目前，造價數(shù)據(jù)在不同階段的復雜度都較高，同時編寫報告的工作量龐大，采用人工計算方式獲取造價數(shù)據(jù)相對較低，造價費用在不同階段具體應(yīng)用情況不易高效且精準獲取[3]。本研究基于國家標準功能點評估，同時將智能軟件度量系統(tǒng)創(chuàng)造性的借鑒，工作量評估以“需求導向”為重點，同時結(jié)合機器學習及大數(shù)據(jù)知識體系，針對工作量評估方法體系從流程、制度等層面開展創(chuàng)新性研究，確保工作效率能得到顯著提高。

1 數(shù)據(jù)工程構(gòu)建

按照說明書模板，對word文檔內(nèi)的格式信息進行讀取，在此基礎(chǔ)上對“業(yè)務(wù)功能”相關(guān)內(nèi)容進行識別[4]。參考說明書模板讀取相應(yīng)章節(jié)內(nèi)容，具體文本描述包括：業(yè)務(wù)流程描述、模塊名稱、業(yè)務(wù)功能說明等。在對存在各模塊中全部的動名詞短語、名詞短語及名詞進行識別時需合理利用數(shù)據(jù)挖掘技術(shù)及自然語言處理方法。在此基礎(chǔ)上再完成不同候選集的構(gòu)建，包括ILF，EI，EQ這三種。

當模型采用數(shù)據(jù)挖掘技術(shù)完成構(gòu)建后，此時要進行測試和驗證，以實際數(shù)據(jù)作為參考依據(jù)。在對各個預測模型的有效性進行驗證時，推薦系統(tǒng)常用的評價指標主要包括召回率Recall、準確率Precision等[5]。

2 功能點自動化估算模型研究

2.1 詞向量轉(zhuǎn)換

在構(gòu)建模型的初期，數(shù)據(jù)支撐的審核主要通過功能點實現(xiàn)。驗證數(shù)據(jù)、深度學習模型、機器學習模型及其他模型均從語料集中獲取。因此在后期評估和訓練模型的過程中，收集語料集發(fā)揮著關(guān)鍵性作用。

應(yīng)用word2vec 完成詞向量轉(zhuǎn)換，可實現(xiàn)向量化文本中全部的詞，從而對它們的關(guān)系展開定量分析和研究，基于此將存在于詞與詞間的隱含關(guān)系進行充分挖掘。作為自然語言處理中的核心概念，NGram 也被稱為N 元模型，通過N-Gram 可實現(xiàn)對某句或詞義合理性的判斷和評估，一般而言，人們在NLP 中僅需通過語料庫就能實現(xiàn)這一目的。功能項短語通過該算法就能完成分詞功能。前面存在若干詞語后某個詞接著出現(xiàn)，通過這種思想來實現(xiàn)算法功能，事實上該思想也算法假設(shè)n變量的基礎(chǔ)。

2.2 模型訓練過程

在構(gòu)建模型時需考慮不同類型的語料，在此基礎(chǔ)上再完成任務(wù)。模型訓練重復次數(shù)隨著語料集不斷增加而增多，這樣一來模型精度可根據(jù)數(shù)據(jù)新增狀況有不同程度的提升。當結(jié)束模型訓練后，再評估模型準確性指標及模型性能指標，將模型預測的效率及準確性作為重點考量指標。

功能點分類模型可通過模型流程進行構(gòu)建，下列為詳細步驟：①驗證集與訓練集語料均包含在已有語料集種，將特定識別名稱賦予給模型。語料管理頁面中如果缺少語料需先將相關(guān)語料進行上傳；②分詞處理方式以及詞典均采取自定義選取方式，結(jié)合行業(yè)類型和特征完成自定義詞典選擇，可選擇新建詞典或者不做選擇；③對神經(jīng)網(wǎng)絡(luò)分類模型、包含SVC 及邏輯回歸在內(nèi)的基本機器學習方法的分類器模型進行選擇；構(gòu)建模型參數(shù)數(shù)值可參考所選模型；④訓練模型前需要完成模型屬性的設(shè)置。通常情況下，訓練模型需要較長的時間，完成訓練需耐心等待。在結(jié)束訓練后評估分析模型性能。

2.3 模型標準

模型管理人員負責完成構(gòu)建機器學習模型過程中的配置與管理工作。具體工作內(nèi)容包括評估、調(diào)整、訓練及構(gòu)建模型。模型使用人員使用權(quán)限由管理人員負責分發(fā)。

模型管理人員在語料集變動條件下需隨時重新調(diào)整已有模型的參數(shù)。該過程要求使用者對這些變化調(diào)整沒有任何感知，從而有效開展模型評估。

在未正式生產(chǎn)使用前，模型結(jié)束訓練后需要再次通過評估和測試。確保模型具有應(yīng)用價值。為實現(xiàn)這一目的，需不算完善和更新模型評估體系。

3 性能評估結(jié)果分析

在未正式生產(chǎn)使用前，模型結(jié)束訓練后需要再次通過評估和測試。確保模型具有應(yīng)用價值。為實現(xiàn)這一目的，需不算完善和更新模型評估體系。

針對構(gòu)建的模型定制相應(yīng)的評估指標，選取指標需結(jié)合各功能點及應(yīng)用場合來完成，在無法確定選取評估指標的情況下，全部指標作為選擇；驗證集數(shù)據(jù)全都來源于評估模型，在此基礎(chǔ)上評估各種類型的驗證集；評估指標在多次評估環(huán)節(jié)都不一致，這種情況下，對于使用模型人員而言，可根據(jù)自己需求預測選取合適的模型。

通過模型評估體系測試已經(jīng)過訓練的模型，進一步評估該模型的準確性指標及性能指標。確認投放使用模型的前提是需要通過測試，模型管理人員面對未經(jīng)測試的模型僅有對比使用的權(quán)限。

一般模型包含多種性能指標，因此在多個層面各指標都能對模型性能進行較好詮釋。模型性能指標在不同場合要求下所需滿足的條件不一致。表1 為模型評估指標的結(jié)果。事實上，模型性能指標可通過準確率進行精準反饋，模型識別能力隨著準確率的提高而增強；因此通常需要采取必要措施提高模型識別率。

表1 模型評估指標

4 結(jié)語

綜上所述，本文考慮到低效、人工計數(shù)難度高等問題，在功能點技術(shù)過程中對已識別功能點計數(shù)文檔的特征抽取出來進行探索，基于此完成分析框架的構(gòu)建以及功能點輔助審核規(guī)則的形成。系統(tǒng)類別以及主要功能的識別需通過參考功能點計數(shù)項完成，人工審核工作量可采取文本分析能力構(gòu)建所降低，從而促進預算管理效率的提高。