摘要：软件组织内部智慧资产的有效组织和管理.docVIP

　　摘要：软件组织内部智慧资产的有效组织和管理 　　摘要：软件组织内部智慧资产的有效组织和管理一直是一个悬而未决的问题。将文本分类技术引入到软件工程知识分类领域，首先综合分析了软件工程领域知识的基本类型和特性：之后依据这些特性结合软件工程知识体系(SI、RUP等软件过程模型制定一个通用模板；(2)将每一新的软件项目生成为此模板的一个实例。 　　1．2个人技能软件组织成员的个人技能是软件组织最为宝贵的财富，软件的开发归根结底就是相关人员个人技能的综合应用。它的主要特性包括：(1)隐性：所有的个人技能都隐藏在组织成员的头脑中，不易捕获；(2)高价值性：组织成员的知识水平直接决定了软件产品的质量；(3)不稳定性：随着组织成员的离开，此智慧资产也会随之流失。正是这些特性使得个人技能显性化和有效捕获成为最为棘手的问题之一。 　　对个人技能的捕获方式等同于过程经验：(1)制定一个人技能描述模板；(2)将每一组织成员的个人技能生成为此模板的一个实例。 　　1．3知识制品软件开发过程中产生的各种以电子方式存在的模型、图表、文档、代码、方案以及组织内部的图书等等各种文本文档皆可被视作知识制品。它们是组织中最为直接、最易管理的智慧资产，因为它们已经被显性化了。对其处理方式，我们直接以文本形式进行表示。 　　2基于SwEBoK的软件工程知识分类模型 　　2．1 SWEBOK作为骨干树的分类体系知识分类的一个重要检验标准就是其分类体系中类别标识的共识性和共享性，因为如果分出一个大家都不认同的类还不如不分类。由于SWEBOK的概念体系经过了全球软件工程专家lO多年的反复校验和核准，以其作为骨干分类体系具有广泛的共享性和共识性。其前两级的分类体系如图l所示。 　　2．2软件工程知识分类模型知识分类是知识管理领域最为重要的研究内容之一，它可以被看作是分类技术在知识管理研究领域的应用和深化。可以看到针对不同类型的软件工程知识，它们遵循不同的分类过程。对于过程经验和个人技能，经过知识表示之后，它们直接被归入SWEBOK骨干分类体系的某一类别下。而知识制品则遵循着预处理、特征选择和分类器分类的一般过程。首先要将待分类的知识制品进行预处理，从而生成特征向量的集合；特征选择算法则对特征向量的全集进行降维处理，从而得到较小规模的特征向量子集；最后，分类器根据降维后的特征子集，将知识制品归入到SWEBOK骨干分类体系的某一类别下。此分类模型可被分解为以下四个部分： （转载自.ＮＳＥＡＣ.中国评价网） 　　SWEBOK骨干分类树：依据SWEBOK 2004(Iron)版所提供的178个具有分类继承关系(Hierarchical)的软件工程概念术语，组织形成一个骨干分类树，作为领域知识最终归属类别的基本框架。此外，软件组织还可以根据自身的具体情况对此骨干分类树进行灵活的定制。 　　待分类知识源：如第1节所述，软件工程领域知识总体上可被分为三个基本类型，不同类型的知识会有不同的处理模式(见2．3节)。 　　训练集：用以对分类器进行训练以提高其学习能力，训练集的选择对分类器的分类效果有着重要的影响(具体训练集的选择见第4节)。 　　知识分类过程：包括训练过程(图2中虚线所示)和应用过程(图2中实线所示)，详见2．3节。 　　2．3三种类型知识的分类方式就过程经验和个人技能来说，由于其在知识表示的过程中已经以结构化的方式得以组织，因而它们的分类方式较为简单。定义E={月，．．．，P}为过程经验的全集，其中刀=捣，磊?．．量)isin;E为一具体的项目实例，5为一项目实例中的具体信息，如：项目名称、项目经理、活动名称、流程信息和体系结构等。 　　那么过程经验的分类算法(1)为： 　　f：E-巳(1)其中c叠为SWEBOK骨干分类体系中一固定的类别一过程经验类，亦即：将过程经验直接映射到分类体系中。 　　个人技能的处理方式与过程经验等同。 　　最为复杂也是最为核心的是知识制品的分类，其处理方法我们采用文本分类技术，总体上分为训练过程和应用过程。在训练过程中，训练集经过预处理被表示成特征向量，特征向量经过降维(igma;：．￡(c，It)logP,(c,I，)+只(了)Sigma;：．P[T)logP,(c,li) (3)其中：只Q)表示一篇文本属于类别cj概率；eat)标识特征项t在一篇文本中出现的概率；e∽标识特征项t不在一篇文本中出现的概率；P(c。If)表示特征项t在属于类别白的文本中出现的概率；只(q I丁)表示特征项t在属于类别岛的文本中出现的概率。 　　2)将文本特征按照式(3)计算出的信息增益值由大到小排列，取其前K个特征向量构成最终的特征空间，这样就达到了降维的目的，其维数为K。 　　3．3基于k-NN的分类算法基于机器学习的分类算法目前已有数十种，而以Rocchi