Un modelo híbrido novedoso de aprendizaje profundo para detectar y clasificar problemas de requisitos no funcionales de aplicaciones móviles
Autores: Yahya, Abdulsamad E.; Gharbi, Atef; Yafooz, Wael M. S.; Al-Dhaqm, Arafat
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un modelo híbrido novedoso de aprendizaje profundo para detectar y clasificar problemas de requisitos no funcionales de aplicaciones móviles
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Internet
Dispositivos móviles
Aplicaciones
Retroalimentación
Modelo de aprendizaje profundo
NFRs
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Como resultado de la rapidez y disponibilidad de Internet, los dispositivos móviles y las aplicaciones se utilizan ampliamente en todo el mundo. Por lo tanto, pueden verse en las manos de casi todas las personas, ayudándonos en nuestras actividades diarias para llevar a cabo muchas tareas con menos esfuerzo y sin perder tiempo. Sin embargo, surgen muchos problemas al utilizar aplicaciones móviles, que pueden considerarse como problemas de requisitos funcionales o no funcionales (NFR). Los usuarios pueden agregar sus comentarios como una reseña en las tiendas de aplicaciones móviles que proporcionan retroalimentación técnica, la cual puede usarse para mejorar la calidad del software y las características de las aplicaciones móviles. Se ha prestado poca atención a tales comentarios por parte de académicos en el abordaje, detección y clasificación de problemas relacionados con los NFR, los cuales aún se consideran desafiantes. El propósito de este documento es proponer un modelo híbrido de aprendizaje profundo para detectar y clasificar NFR (según la usabilidad, confiabilidad, rendimiento y soporte) de aplicaciones móviles utilizando métodos de procesamiento del lenguaje natural. El modelo híbrido combina tres arquitecturas de aprendizaje profundo (DL): una red neuronal recurrente (RNN) y dos modelos de memoria a corto y largo plazo (LSTM). Comienza con la construcción de un conjunto de datos extraído de las reseñas textuales de los usuarios que contienen información significativa en idioma árabe. Se realizaron varios experimentos utilizando clasificadores de aprendizaje automático (MCL) y DL, como ANN, LSTM y arquitectura LSTM bidireccional para medir el rendimiento del modelo híbrido de aprendizaje profundo propuesto. Los resultados experimentales muestran que el rendimiento del modelo híbrido de aprendizaje profundo propuesto supera a todos los demás modelos en términos de la medida de la puntuación F1, que alcanzó el 96%. Este modelo ayuda a los desarrolladores móviles a mejorar la calidad de sus aplicaciones para satisfacer las expectativas y la satisfacción de los usuarios al detectar y clasificar problemas relacionados con los NFR.
Descripción
Como resultado de la rapidez y disponibilidad de Internet, los dispositivos móviles y las aplicaciones se utilizan ampliamente en todo el mundo. Por lo tanto, pueden verse en las manos de casi todas las personas, ayudándonos en nuestras actividades diarias para llevar a cabo muchas tareas con menos esfuerzo y sin perder tiempo. Sin embargo, surgen muchos problemas al utilizar aplicaciones móviles, que pueden considerarse como problemas de requisitos funcionales o no funcionales (NFR). Los usuarios pueden agregar sus comentarios como una reseña en las tiendas de aplicaciones móviles que proporcionan retroalimentación técnica, la cual puede usarse para mejorar la calidad del software y las características de las aplicaciones móviles. Se ha prestado poca atención a tales comentarios por parte de académicos en el abordaje, detección y clasificación de problemas relacionados con los NFR, los cuales aún se consideran desafiantes. El propósito de este documento es proponer un modelo híbrido de aprendizaje profundo para detectar y clasificar NFR (según la usabilidad, confiabilidad, rendimiento y soporte) de aplicaciones móviles utilizando métodos de procesamiento del lenguaje natural. El modelo híbrido combina tres arquitecturas de aprendizaje profundo (DL): una red neuronal recurrente (RNN) y dos modelos de memoria a corto y largo plazo (LSTM). Comienza con la construcción de un conjunto de datos extraído de las reseñas textuales de los usuarios que contienen información significativa en idioma árabe. Se realizaron varios experimentos utilizando clasificadores de aprendizaje automático (MCL) y DL, como ANN, LSTM y arquitectura LSTM bidireccional para medir el rendimiento del modelo híbrido de aprendizaje profundo propuesto. Los resultados experimentales muestran que el rendimiento del modelo híbrido de aprendizaje profundo propuesto supera a todos los demás modelos en términos de la medida de la puntuación F1, que alcanzó el 96%. Este modelo ayuda a los desarrolladores móviles a mejorar la calidad de sus aplicaciones para satisfacer las expectativas y la satisfacción de los usuarios al detectar y clasificar problemas relacionados con los NFR.