論文の概要: Variability-Driven User-Story Generation using LLM and Triadic Concept Analysis
- arxiv url: http://arxiv.org/abs/2504.08666v1
- Date: Fri, 11 Apr 2025 16:15:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 14:20:22.428896
- Title: Variability-Driven User-Story Generation using LLM and Triadic Concept Analysis
- Title（参考訳）: LLMと3進的概念分析を用いた変数駆動型ユーザストーリー生成
- Authors: Alexandre Bazin, Alain Gutierrez, Marianne Huchard, Pierre Martin, Yulin, Zhang,
- Abstract要約: 要件に対して広く使用されているアジャイルプラクティスは、ユーザストーリ(アジャイルプロダクトバックログとも呼ばれる)のセットを作成することです。
ソフトウェア製品ライン(Software Product Lines)の文脈では、同様のシステムのファミリーの要件は、システムごとに1つのユーザストーリーセットのファミリーである。
我々は,新しいシステムを開発するのに必要なユーザ・ストーリー・セットを提案するために,TCAとLLMを組み合わせる。
- 参考スコア（独自算出の注目度）: 79.17703556418292
- License:
- Abstract: A widely used Agile practice for requirements is to produce a set of user stories (also called ``agile product backlog''), which roughly includes a list of pairs (role, feature), where the role handles the feature for a certain purpose. In the context of Software Product Lines, the requirements for a family of similar systems is thus a family of user-story sets, one per system, leading to a 3-dimensional dataset composed of sets of triples (system, role, feature). In this paper, we combine Triadic Concept Analysis (TCA) and Large Language Model (LLM) prompting to suggest the user-story set required to develop a new system relying on the variability logic of an existing system family. This process consists in 1) computing 3-dimensional variability expressed as a set of TCA implications, 2) providing the designer with intelligible design options, 3) capturing the designer's selection of options, 4) proposing a first user-story set corresponding to this selection, 5) consolidating its validity according to the implications identified in step 1, while completing it if necessary, and 6) leveraging LLM to have a more comprehensive website. This process is evaluated with a dataset comprising the user-story sets of 67 similar-purpose websites.
- Abstract（参考訳）: 要件のために広く使用されているアジャイルのプラクティスは、ユーザストーリーのセット(‘アジャイルプロダクトバックログ’とも呼ばれる)を作成することです。
ソフトウェア製品ライン(Software Product Lines)の文脈では、類似したシステムのファミリーの要件は、システム毎に1つのユーザストーリーセットのファミリーであり、トリプル(システム、役割、特徴)のセットからなる3次元データセットに繋がる。
本稿では,TCAとLarge Language Model(LLM)を組み合わせることで,既存のシステムファミリーの変動論理に依存する新しいシステムを開発するために必要なユーザストーリーを提案する。
このプロセスは
1)TCA含意の集合として表される3次元変数の計算
2 設計者に無知な設計オプションを提供すること。
3) デザイナーの選択肢の選択を取得すること。
4) この選択に対応する第1のユーザストーリーセットの提案
5 ステップ1で特定した意味に基づいて有効性を集約し、必要であれば完成させ、
6) LLMを活用して、より包括的なWebサイトを構築する。
このプロセスは、67の類似目的Webサイトのユーザストーリーセットからなるデータセットで評価される。
関連論文リスト
- Order-agnostic Identifier for Large Language Model-based Generative Recommendation [94.37662915542603]
アイテムは、ユーザ履歴をエンコードし、次のアイテムを生成するために、LLM(Large Language Models)の識別子に割り当てられる。
既存のアプローチでは、トークンシーケンス識別子を使用して、アイテムを個別のトークンシーケンスとして表現するか、IDまたはセマンティック埋め込みを使用して単一トークン識別子を使用する。
本稿では,セマンティック・トークンライザを利用するSETRecを提案する。
論文 参考訳（メタデータ） (2025-02-15T15:25:38Z) - ML-SceGen: A Multi-level Scenario Generation Framework [1.249418440326334]
ユーザが生成したシナリオの可制御性を取り戻すための3段階のフレームワークを構築したいと考えています。
我々は、Answer Set Programming (ASP)ソルバのClingoを使って、交差点内の包括的な論理的トラフィックを生成する。
論文 参考訳（メタデータ） (2025-01-18T14:43:40Z) - Offline Regularised Reinforcement Learning for Large Language Models Alignment [33.483481840098925]
我々はフレームワークと関連するアルゴリズムとしてDRO(emphDirect RewardOptimization)を提案する。
DROは、様々な方法で実装できる単純な平均2乗の目的を使用する。
論文 参考訳（メタデータ） (2024-05-29T14:11:29Z) - Scenario-Adaptive Fine-Grained Personalization Network: Tailoring User Behavior Representation to the Scenario Context [3.7566162903515115]
我々はSFPNet(Scenario-Adaptive Fine-Grained Personalization Network)というランキングフレームワークを開発した。
SFPNetは、マルチシナリオパーソナライズされたレコメンデーションのための、ある種のきめ細かいメソッドを設計する。
論文 参考訳（メタデータ） (2024-04-15T12:08:44Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - AVIS: Autonomous Visual Information Seeking with Large Language Model
Agent [123.75169211547149]
本稿では,視覚的質問応答フレームワークAVISを提案する。
本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。
AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
論文 参考訳（メタデータ） (2023-06-13T20:50:22Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T08:02:18Z) - Text Summarization with Latent Queries [60.468323530248945]
本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。
本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。
本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
論文 参考訳（メタデータ） (2021-05-31T21:14:58Z) - A User-Guided Bayesian Framework for Ensemble Feature Selection in Life
Science Applications (UBayFS) [0.0]
本稿では,ベイズ統計フレームワークに組み込んだアンサンブル特徴選択手法UBayFSを提案する。
提案手法は,データとドメイン知識の2つの情報源を考慮し,特徴選択のプロセスを強化する。
標準的な機能セレクタとの比較では、UBayFSは競争力のあるパフォーマンスを実現し、ドメイン知識を組み込むための柔軟性を提供する。
論文 参考訳（メタデータ） (2021-04-30T06:51:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。