用例图如何根据需求文档自动生成用例图呢？(图)

用例图是软件工程需求分析阶段的重要工具，能够直观体现系统功能。但是，人工绘制用例图效率低且耗时长。自动生成用例图则可以提高需求分析阶段的效率，节省时间和人力资源。那么，如何根据需求文档自动生成用例图呢？

图1 用例图

首先，我们需要了解人工绘制用例图的步骤：

步骤一：确定系统边界

步骤二：确定参与者

步骤三：确定每个参与者所对应的用例

步骤四：确定用例之间的关系

如何根据以上步骤自动生成用例图呢？目前，大部分方法基于需求文档分析自动生成用例图。基于需求文档的用例图自动生成方法的研究，主要是通过自然语言处理(Nature Language Process, NLP)的方式，利用分词、词性标注、语义分析等方法，结合句式、规则匹配等方法，从自然语言中提取用例图元素及其关系。

我们可以总结出以下六种基于需求文档分析的用例图自动生成方法：

方法一：基于句式规定和提取规则的图元素提取方法

句式规定是撰写需求文本的规定。需求文本编写者必须按照规定的句式表达需求。例如，编写者想表达“管理员可以查询学生成绩”，若句式规定为可以使用系统进行，则必须将该需求写成：“管理员可以使用系统进行学生成绩查询”。之后，该方法再按照用例图元素提取规则，采用正则匹配的方式来切割需求语句并提取用例图元素。这种方法[1]解决了因使用自然语言来表达需求而造成需求描述歧义、不完整、不准确进而导致需求文档分析结果不准确的问题。但是由于句式规定死板，这种方法只能分析根据规定书写的需求文档，从而解决用例图自动生成问题。一旦更换书写风格或者书写规则，该方法就无法提取图元素。

方法二：基于事件表或商业词汇表的图元素提取方法

该方法将业务词汇和商务规则元素映射到用例图元素，能够从业务词汇表生成UML用例图。图2为事件表-用例图的映射示例。但是，该方法能否被成功使用取决于需求文档中是否包含完整的事件表。

图2 事件表-用例图的映射示例

方法三：基于自然语言处理的图元素提取方法

基于自然语言处理的图元素提取方法是目前使用最广泛的方法，其主要思路是根据用户故事或其他自然语言描述的需求文本，半自动或自动提取图元素。例如，SUGAR工具通过解析自然语言需求来识别用例、参与者、类等图元素，并且能够结合Rational Rose工具在Java中生成所有静态UML模型。除此之外，SUGAR工具还可以通过自然语言处理的方法分析需求文本，并建立一个以语义网络为代表的集成语篇模型来处理文本，然后使用这个语义网络自动构造一个UML图。

方法四：基于用户故事的图元素提取方法

基于用户故事的图元素提取方法是根据自然语言所描述的用户故事自动生成概念模型的方法。这种方法要求需求文档中必须包含用户故事。

方法五：基于启发式的图元素提取方法

基于启发式的图元素提取方法主要是通过引入新的启发式算法来辅助实体-关系(ER)[2]的建模过程，并将其应用于自然语言的自动处理及向实体-关系(ER)模型的转换。ER-Converter是目前已经实现的工具。

方法六：基于领域本体[3]的图元素提取方法

基于领域本体的图元素提取方法利用自然语言处理和领域本体技术从文本需求中提取UML图。例如用例图，较为常用的RAPID工具能够帮助需求分析师分析文本需求，通过自然语言处理工具消除模棱两可的需求并且识别不完整需求，主要思路是通过句法重建将复杂句子分割成简单句子，从而提取出所有可能信息。

以上方法各有局限性用例图，基于句式规则的方法依赖大量规则，可移植性差；基于事件表或商业词汇表的方法和基于用户故事的方法要求文档中必须含有事件表、词汇表或用户故事，适用范围小；基于启发式的方法依赖已经实现的规则，普适性较差。总的来说，规则可以提高用例图自动生成的准确性，但是过多的规则会导致方法普适性降低。如果希望自己的研究更具普适性，就要避免过多的规则，减少对撰写过程的要求。同学们可以根据自己的需求选择合适的方法哦！

参考文献：

[1]欧阳柳波, 郭海林. 基于领域需求结构化描述的自动分析建模方法[J]. 计算机工程与应用, 2016, 20: 52-57.

[2]Omar N, Hanna J R P, McKevitt P. Heuristic-based entity-relationship modelling through natural language processing[C]//Proc. of the 15th Artificial Intelligence and Cognitive Science Conference (AICS-04). Artificial Intelligence Association of Ireland, 2004: 302-313.

[3] Chen J, Gu J. ADOL: a novel framework for automatic domain ontology learning[J]. The Journal of Supercomputing, 2021, 77(1): 152-169.

[4] 基于文本认知的自动分析建模方法、系统、装置及介质（2.6）授权公告号：CN112579444A 发明人：黄翰、刘雨瑶、王业超、黄俊聪

总编：黄翰