本發(fā)明涉及信息處理，尤其涉及一種基于大模型的軟件功能點評估方法及系統(tǒng)。

背景技術(shù)：

1、現(xiàn)時在傳統(tǒng)軟件成本預估方案中，傳統(tǒng)軟件成本預估的計算方式一般根據(jù)被評估對象的功能點的規(guī)模、行業(yè)平均生產(chǎn)效率與區(qū)域平均人力成本算出最終的造價。但這種計算方法往往存在以下的不足之處：

2、首先，行業(yè)平均生產(chǎn)效率和區(qū)域平均人力成本屬于統(tǒng)計數(shù)據(jù)，與自身企業(yè)的差異較大，往往不具有太高的參考價值，特別是對于小微企業(yè)和大型企業(yè)。

3、其次，傳統(tǒng)軟件成本預估方法復用程度僅考慮被評估軟件自身，并未考慮企業(yè)是否承接過類似的項目，是否已有積累類似的控件、組件或者產(chǎn)品線核心資源。因此，采用傳統(tǒng)預估方法，對于升級項目由不同廠商承接的情況，預估出來的費用對比實際生產(chǎn)會偏低，而對于豐富資源積累的企業(yè)而言，預估出來的費用會偏高，企業(yè)方也無法準確評估自己的實際生產(chǎn)成本。

4、以及，傳統(tǒng)軟件成本預估方法往往并未考慮開發(fā)語言、技術(shù)路線與被企業(yè)自身技術(shù)儲備的匹配程度。對于符合項目要求特定開發(fā)語言，特定技術(shù)路線與企業(yè)自身技術(shù)儲備不符的情況，傳統(tǒng)預估方法預估出來的費用出現(xiàn)明顯的偏差，且人工評估過程較為緩慢，在處理大規(guī)模或復雜的軟件項目時，評估的效率與準確度較低。

5、因此，現(xiàn)時提供一種基于大模型的軟件功能點評估方法及系統(tǒng)，能夠使企業(yè)軟件成本預估的流程與量化標準統(tǒng)一化，提高軟件成本預估方案的適用性，實現(xiàn)了軟件造價測算的智能化與自動化，從而有利于提高軟件成本評估的效率與準確度。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于大模型的軟件功能點評估的方法及系統(tǒng)，能夠使企業(yè)軟件成本預估的流程與方式標準化，提高軟件成本預估方案的適用性，從而有利于提高軟件成本評估的效率與準確度。

2、為了解決上述技術(shù)問題，本發(fā)明第一方面公開了一種基于大模型的軟件功能點評估方法，所述方法包括：

3、對預設(shè)的企業(yè)研發(fā)效率訓練庫內(nèi)的文本數(shù)據(jù)進行預處理操作，得到預處理后的語料庫，所述語料庫至少包括已標注評估參數(shù)的軟件功能點對應的標注數(shù)據(jù)集；

4、初始化預訓練模型的模型參數(shù)，并將所述語料庫中的標注數(shù)據(jù)集輸入至所述預訓練模型進行迭代訓練，得到訓練后的目標模型；

5、將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至所述目標模型進行計算，得到功能點規(guī)模估算參數(shù)與企業(yè)生產(chǎn)效率參數(shù)；

6、根據(jù)所述功能點規(guī)模估算參數(shù)、所述企業(yè)生產(chǎn)效率參數(shù)、企業(yè)成本參數(shù)與預設(shè)的造價估算算法計算得到所述待測軟件的預估造價。

7、作為一種可選的實施方式，在本發(fā)明第一方面中，所述企業(yè)研發(fā)效率訓練庫包括：企業(yè)人力資源數(shù)據(jù)、企業(yè)收支數(shù)據(jù)、歷史項目需求數(shù)據(jù)、歷史項目技術(shù)路線數(shù)據(jù)、歷史項目開發(fā)架構(gòu)數(shù)據(jù)中的至少一種，所述標注數(shù)據(jù)集包括多個用于描述所述軟件功能點的文字和/或詞語和/或短句，所述預處理操作包括：數(shù)據(jù)清洗、數(shù)據(jù)過濾、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸一化處理中的至少一種；

8、在所述初始化所述預訓練模型的模型參數(shù)之前，所述方法還包括：

9、根據(jù)所述語料庫的文字和/或詞語和/或短句構(gòu)建所述預訓練模型的損失函數(shù)；

10、其中，所述損失函數(shù)的計算公式為：

11、

12、

13、其中，所述coppus表示為所述預料庫包括用于描述所述軟件功能點的多個文字和/或詞語和/或短句，所述表示為所述損失函數(shù)，所述p表示為概率函數(shù)，所述表示為所述語料庫中第n個文字或詞語或短句，所述表示為所述語料庫中token的個數(shù)，所述表示為gpt模型參數(shù)；

14、以及，在所述初始化所述預訓練模型的模型參數(shù)之后，所述方法還包括：

15、根據(jù)預設(shè)的凍結(jié)參數(shù)凍結(jié)所述預訓練模型的部分模型參數(shù)。

16、作為一種可選的實施方式，在本發(fā)明第一方面中，在所述對預設(shè)的企業(yè)研發(fā)效率訓練庫內(nèi)的文本數(shù)據(jù)進行預處理操作，得到預處理后的語料庫之后，所述方法還包括：

17、根據(jù)與所述語料庫中每一個軟件功能點對應的文本數(shù)據(jù)相配的語義類型，對所述每一個軟件功能點對應的文本數(shù)據(jù)進行語義類型標注；和/或，

18、根據(jù)與所述語料庫中每一個軟件功能點對應的文本數(shù)據(jù)相配的語法類型，對所述每一個軟件功能點對應的文本數(shù)據(jù)進行語法類型標注；

19、以及，根據(jù)預設(shè)的評估參數(shù)，確定與所述每一個軟件功能點對應的文本數(shù)據(jù)相匹配的評估參數(shù)，得到已標注所述評估參數(shù)的軟件功能點對應的標注數(shù)據(jù)集；

20、其中，所述評估參數(shù)包括：與所述每一個軟件功能點對應的文本數(shù)據(jù)相匹配的開發(fā)效益等級、開發(fā)成本等級、開發(fā)規(guī)模等級、復雜度等級中的至少一種。

21、作為一種可選的實施方式，在本發(fā)明第一方面中，所述預訓練模型表示為基于自注意力機制的序列到序列的神經(jīng)網(wǎng)絡(luò)模型，所述預訓練模型的模型參數(shù)至少包括自注意力層、多頭注意力層、前饋神經(jīng)網(wǎng)絡(luò)層；

22、其中，所述自注意力層包括：輸入序列、查詢、鍵、值、注意力權(quán)重、輸出層，所述自注意力層的輸入序列表示為，所述輸入序列的參數(shù)為所述coppus，所述i表示為所述輸入序列的第i個元素；

23、所述查詢、所述鍵、所述值的線性變換計算公式為：

24、

25、所述注意力權(quán)重的計算公式為：

26、

27、所述輸出層的計算公式為：

28、

29、其中，所述q表示為查詢、所述k表示為鍵、所述v表示為值，所述表示為查詢權(quán)重矩陣，所述表示為鍵權(quán)重矩陣，所述表示為值權(quán)重矩陣，所述attention表示為所述注意力權(quán)重，所述d表示為維度，所述output表示為所述輸出參數(shù)；

30、所述多頭注意力層包括：所述輸入序列、頭、所述頭的注意力權(quán)重、輸出層；

31、每一個頭的注意力權(quán)重的計算公式為：

32、

33、所述輸出層的計算公式為：

34、

35、其中，所述表示為所述多頭注意力的第i個頭，所述h表示為所述頭的數(shù)量，所述selfattention表示為自注意力機制函數(shù)，所述wo表示為所述自注意力層的輸出層對應的線性變換，所述multihead_attention表示為所述多頭注意力層的輸出參數(shù)；

36、所述前饋神經(jīng)網(wǎng)絡(luò)層至少包括：輸入層、隱藏層、輸出層。

37、作為一種可選的實施方式，在本發(fā)明第一方面中，所述將所述語料庫中的標注數(shù)據(jù)集輸入至所述預訓練模型進行迭代訓練，得到訓練后的目標模型，包括：

38、將所述語料庫中的標注數(shù)據(jù)集輸入至所述預訓練模型進行迭代訓練，得到訓練后的模型；

39、根據(jù)所述預訓練模型的損失函數(shù)判斷所述訓練后的模型是否趨于收斂；

40、當判斷到所述訓練后的模型未趨于收斂時，根據(jù)所述損失函數(shù)的計算梯度并通過優(yōu)化算法更新所述模型參數(shù)，并重復對所述訓練后的模型進行所述迭代訓練操作；

41、當判斷到所述訓練后的模型趨于收斂時，停止所述迭代訓練的操作，得到最終的目標模型。

42、作為一種可選的實施方式，在本發(fā)明第一方面中，所述優(yōu)化算法包括：梯度下降、隨機梯度下降、小批量梯度下降、adam、rmsprop、動量、adagrad中的其中一種；

43、所述預設(shè)的造價估算算法表示為：

44、。

45、作為一種可選的實施方式，在本發(fā)明第一方面中，所述企業(yè)生產(chǎn)效率參數(shù)包括：復用系數(shù)、復雜度系數(shù)、行業(yè)系數(shù)、成本系數(shù)中的至少一種；

46、所述將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至所述目標模型進行計算，得到功能點規(guī)模估算參數(shù)與企業(yè)生產(chǎn)效率參數(shù)，包括：

47、將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至所述目標模型進行計算，得到功能點規(guī)模估算參數(shù)與歷史項目特征參數(shù)；

48、根據(jù)所述功能點規(guī)模估算參數(shù)與歷史項目特征參數(shù)生成企業(yè)生產(chǎn)效率參數(shù)。

49、本發(fā)明第二方面公開了一種基于大模型的軟件功能點評估系統(tǒng)，所述系統(tǒng)包括：

50、預處理模塊，用于對預設(shè)的企業(yè)研發(fā)效率訓練庫內(nèi)的文本數(shù)據(jù)進行預處理操作，得到預處理后的語料庫，所述語料庫至少包括已標注評估參數(shù)的軟件功能點對應的標注數(shù)據(jù)集；

51、初始化模塊，用于初始化預訓練模型的模型參數(shù)；

52、訓練模塊，用于將所述預處理模塊處理得到的所述語料庫中的標注數(shù)據(jù)集輸入至所述初始化模塊初始化后的所述預訓練模型進行迭代訓練，得到訓練后的目標模型；

53、計算模塊，用于將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至所述訓練模塊訓練得到的所述目標模型進行計算，得到功能點規(guī)模估算參數(shù)與企業(yè)生產(chǎn)效率參數(shù)；以及，根據(jù)所述功能點規(guī)模估算參數(shù)、所述企業(yè)生產(chǎn)效率參數(shù)、企業(yè)成本參數(shù)與預設(shè)的造價估算算法計算得到所述待測軟件的預估造價。

54、作為一種可選的實施方式，在本發(fā)明第二方面中，所述企業(yè)研發(fā)效率訓練庫包括：企業(yè)人力資源數(shù)據(jù)、企業(yè)收支數(shù)據(jù)、歷史項目需求數(shù)據(jù)、歷史項目技術(shù)路線數(shù)據(jù)、歷史項目開發(fā)架構(gòu)數(shù)據(jù)中的至少一種，所述標注數(shù)據(jù)集包括多個用于描述所述軟件功能點的文字和/或詞語和/或短句，所述預處理操作包括：數(shù)據(jù)清洗、數(shù)據(jù)過濾、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸一化處理中的至少一種；

55、所述系統(tǒng)還包括：

56、所述構(gòu)建模塊，用于在所述初始化模塊初始化所述預訓練模型的模型參數(shù)之前，根據(jù)所述語料庫的文字和/或詞語和/或短句構(gòu)建所述預訓練模型的損失函數(shù)；

57、其中，所述損失函數(shù)的計算公式為：

58、

59、

60、其中，所述coppus表示為所述預料庫包括用于描述所述軟件功能點的多個文字和/或詞語和/或短句，所述表示為所述損失函數(shù)，所述p表示為概率函數(shù)，所述表示為所述語料庫中第n個文字或詞語或短句，所述表示為所述語料庫中token的個數(shù)，所述表示為gpt模型參數(shù)；

61、以及，凍結(jié)模塊，用于在所述初始化模塊初始化所述預訓練模型的模型參數(shù)之后，根據(jù)預設(shè)的凍結(jié)參數(shù)凍結(jié)所述預訓練模型的部分模型參數(shù)。

62、作為一種可選的實施方式，在本發(fā)明第二方面中，所述系統(tǒng)還包括：

63、標注模塊，用于在所述預處理模塊對預設(shè)的企業(yè)研發(fā)效率訓練庫內(nèi)的文本數(shù)據(jù)進行預處理操作，得到預處理后的語料庫之后，根據(jù)與所述語料庫中每一個軟件功能點對應的文本數(shù)據(jù)相配的語義類型，對所述每一個軟件功能點對應的文本數(shù)據(jù)進行語義類型標注；和/或，根據(jù)與所述語料庫中每一個軟件功能點對應的文本數(shù)據(jù)相配的語法類型，對所述每一個軟件功能點對應的文本數(shù)據(jù)進行語法類型標注；以及，根據(jù)預設(shè)的評估參數(shù)，確定與所述每一個軟件功能點對應的文本數(shù)據(jù)相匹配的評估參數(shù)，得到已標注所述評估參數(shù)的軟件功能點對應的標注數(shù)據(jù)集；

64、其中，所述評估參數(shù)包括：與所述每一個軟件功能點對應的文本數(shù)據(jù)相匹配的開發(fā)效益等級、開發(fā)成本等級、開發(fā)規(guī)模等級、復雜度等級中的至少一種。

65、作為一種可選的實施方式，在本發(fā)明第二方面中，所述預訓練模型表示為基于自注意力機制的序列到序列的神經(jīng)網(wǎng)絡(luò)模型，所述預訓練模型的模型參數(shù)至少包括自注意力層、多頭注意力層、前饋神經(jīng)網(wǎng)絡(luò)層；

66、其中，所述自注意力層包括：輸入序列、查詢、鍵、值、注意力權(quán)重、輸出層，所述自注意力層的輸入序列表示為，所述輸入序列的參數(shù)為所述coppus，所述i表示為所述輸入序列的第i個元素；

67、所述查詢、所述鍵、所述值的線性變換計算公式為：

68、

69、所述注意力權(quán)重的計算公式為：

70、

71、所述輸出層的計算公式為：

72、

73、其中，所述q表示為查詢、所述k表示為鍵、所述v表示為值，所述表示為查詢權(quán)重矩陣，所述表示為鍵權(quán)重矩陣，所述表示為值權(quán)重矩陣，所述attention表示為所述注意力權(quán)重，所述d表示為維度，所述output表示為所述輸出參數(shù)；

74、所述多頭注意力層包括：所述輸入序列、頭、所述頭的注意力權(quán)重、輸出層；

75、每一個頭的注意力權(quán)重的計算公式為：

76、

77、所述輸出層的計算公式為：

78、

79、其中，所述表示為所述多頭注意力的第i個頭，所述h表示為所述頭的數(shù)量，所述selfattention表示為自注意力機制函數(shù)，所述wo表示為所述自注意力層的輸出層對應的線性變換，所述multihead_attention表示為所述多頭注意力層的輸出參數(shù)；

80、所述前饋神經(jīng)網(wǎng)絡(luò)層至少包括：輸入層、隱藏層、輸出層。

81、作為一種可選的實施方式，在本發(fā)明第二方面中，所述訓練模塊將所述語料庫中的標注數(shù)據(jù)集輸入至所述預訓練模型進行迭代訓練，得到訓練后的目標模型的具體方式為：

82、將所述語料庫中的標注數(shù)據(jù)集輸入至所述預訓練模型進行迭代訓練，得到訓練后的模型；

83、根據(jù)所述預訓練模型的損失函數(shù)判斷所述訓練后的模型是否趨于收斂；

84、當判斷到所述訓練后的模型未趨于收斂時，根據(jù)所述損失函數(shù)的計算梯度并通過優(yōu)化算法更新所述模型參數(shù)，并重復對所述訓練后的模型進行所述迭代訓練操作；

85、當判斷到所述訓練后的模型趨于收斂時，停止所述迭代訓練的操作，得到最終的目標模型。

86、作為一種可選的實施方式，在本發(fā)明第二方面中，所述優(yōu)化算法包括：梯度下降、隨機梯度下降、小批量梯度下降、adam、rmsprop、動量、adagrad中的其中一種；

87、所述預設(shè)的造價估算算法表示為：

88、。

89、作為一種可選的實施方式，在本發(fā)明第二方面中，所述企業(yè)生產(chǎn)效率參數(shù)包括：復用系數(shù)、復雜度系數(shù)、行業(yè)系數(shù)、成本系數(shù)中的至少一種；

90、所述計算模塊將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至所述目標模型進行計算，得到功能點規(guī)模估算參數(shù)與企業(yè)生產(chǎn)效率參數(shù)的具體方式為：

91、將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至所述目標模型進行計算，得到功能點規(guī)模估算參數(shù)與歷史項目特征參數(shù)；

92、根據(jù)所述功能點規(guī)模估算參數(shù)與歷史項目特征參數(shù)生成企業(yè)生產(chǎn)效率參數(shù)。

93、本發(fā)明第三方面公開了另一種基于大模型的軟件功能點評估系統(tǒng)，所述系統(tǒng)包括：

94、存儲有可執(zhí)行程序代碼的存儲器；

95、與所述存儲器耦合的處理器；

96、所述處理器調(diào)用所述存儲器中存儲的所述可執(zhí)行程序代碼，執(zhí)行本發(fā)明第一方面公開的基于大模型的軟件功能點評估方法。

97、本發(fā)明第四方面公開了一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)存儲有計算機指令，所述計算機指令被調(diào)用時，用于執(zhí)行本發(fā)明第一方面公開的基于大模型的軟件功能點評估方法。

98、與現(xiàn)有技術(shù)相比，本發(fā)明實施例具有以下有益效果：

99、本發(fā)明提供了一種基于大模型的軟件功能點評估方法及系統(tǒng)，該方法包括：對預設(shè)的企業(yè)研發(fā)效率訓練庫內(nèi)的文本數(shù)據(jù)進行預處理操作，得到預處理后的語料庫，語料庫至少包括已標注評估參數(shù)的軟件功能點對應的標注數(shù)據(jù)集，有利于提高后續(xù)預模型訓練的效率與準確率；初始化預訓練模型的模型參數(shù)，并將語料庫中的標注數(shù)據(jù)集輸入至預訓練模型進行迭代訓練，得到訓練后的目標模型，有利于提高軟件成本評估的準確率；將待測軟件的功能點對應的待測數(shù)據(jù)集輸入至目標模型進行計算，得到功能點規(guī)模估算參數(shù)與企業(yè)生產(chǎn)效率參數(shù)，根據(jù)功能點規(guī)模估算參數(shù)、企業(yè)生產(chǎn)效率參數(shù)與預設(shè)的造價估算算法計算得到待測軟件的預估造價?？梢?，實施本發(fā)明能夠使企業(yè)軟件成本預估的流程與量化標準統(tǒng)一化，提高軟件成本預估方案的適用性，實現(xiàn)了軟件造價測算的智能化與自動化，減少了人工審閱文檔的時間與造價過程所需耗費的時間，從而有利于提高軟件成本評估的效率與準確度。