Cognitive graph based on business process

doi:10.11772/j.issn.1001-9081.2023060850

Abstract

Abstract:

Concerning the inability to make full use of existing business resources in the current software project development process， which leads to low development efficiency and weak capabilities， a cognitive graph based on software development process was proposed by studying the interrelations among business resources. First， a method for building knowledge hierarchy by extracting business knowledge from formal documents was developed and corrected. Second， a network representation model for software codes was constructed through code feature extraction and code entity similarity investigation. Finally， the model was tested using real business data and was compared with three other methods： Vector Space Model （VSM）， diverse ranking method and deep learning. Experimental results show that the established cognitive graph method based on business process is superior to current text matching and deep learning algorithms in code retrieval； the cognitive graph method improves precision@5， mean Average Precision （mAP） and Normalized Discounted Cumulative Gain （?-NDCG） by 4.30， 0.38 and 2.74 percentage points respectively compared with ranking-based code search effectively method， solving many problems such as potential business vocabulary identification and business cognitive reasoning representation， and improving the code retrieval effect and business resource utilization.

Key words: cognitive graph, business knowledge, network representation model, natural language processing, software development process

摘要：

针对目前软件项目开发过程中无法充分利用已有业务资源，进而导致开发效率低、能力弱等问题，通过研究业务资源之间的关联，提出一种基于业务流程的认知图谱。首先，通过正式文档抽取业务知识，提出建立知识层级的方法并修正；其次，通过代码特征挖掘与代码实体相似度判断构建代码网络表示模型；最后，利用实际业务数据进行实验验证，并与向量空间模型（VSM）、多样化排序和深度学习等方法进行对比。最终构建的基于业务流程的认知图谱在代码检索方面优于目前基于文本匹配的方法和深度学习算法，分别在前5准确率（precision@5）、平均精度均值（mAP）、归一化折扣增益值（?-NDCG）这3项指标上高过多样化排序的代码检索方法4.30、0.38和2.74个百分点，有效解决了潜在业务词汇识别、业务认知推理表示等多个问题，提升了代码检索效果与业务资源利用率。

关键词: 认知图谱, 业务知识, 网络表示模型, 自然语言处理, 软件开发过程

CLC Number:

TP391.1

Yao LIU, Yumeng LI, Miaomiao SONG. Cognitive graph based on business process[J]. Journal of Computer Applications, 2024, 44(6): 1699-1705.

刘耀, 李雨萌, 宋苗苗. 基于业务流程的认知图谱[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1699-1705.

Figures/Tables 7

References 22

1	邹艳珍，王敏，谢冰，等.基于大数据的软件项目知识图谱构造及问答方法［J］. 大数据，2021，7（1）：22-36.
	ZOU Y Z， WANG M， XIE B， et al. Software knowledge graph construction and Q&A technology based on big data ［J］. Big Data Research， 2021，7（1）：22-36.
2	彭鑫，陈驰，林云.基于上下文的智能化代码复用推荐［J］.大数据，2021，7（1）：37-47.
	PENG X， CHEN C， LIN Y. Context-based intelligent recommendation for code reuse ［J］. Big Data Research， 2021，7（1）： 37-47.
3	伏广宇，李传艺，葛季栋，等.基于构建软件功能描述的可复用软件检索方法［J］. 应用科学学报， 2020， 38（5）： 682-694.
	FU G Y， LI C Y， GE J D， et al. Retrieving reusable software by constructing functional descriptions ［J］. Journal of Applied Sciences， 2020，38（5）： 682-694.
4	杨芙清，梅宏，李克勤. 软件复用与软件构件技术［J］. 电子学报， 1999， 27（2）：68-75.
	YANG F Q， MEI H， LI K Q. Software reuse and software component technology［J］. Acta Electronica Sinica，1999， 27（2）：68-75.
5	丁铭，唐杰.从知识图谱到认知图谱：历史、发展与展望［J］. 中国计算机学会通讯， 2020，16（8）： 11-18.
	DING M， TANG J. From knowledge graph to cognitive graph： history， development， and outlook［J］. Communications of the CCF， 2020，16（8）： 11-18.
6	人工智能之认知图谱［R］. 北京：清华大学人工智能研究院，2020.
	Research report of cognitive graph ［R］. Beijing： Tsinghua University. Institute for Artificial Intelligence， 2020.
7	EVANS J S. Heuristic and analytic processes in reasoning［J］. British Journal of Psychology， 1984， 75（4）： 451-468.
8	LUO X， LIU L， YANG Y， et al. AliCoCo： Alibaba e-commerce cognitive concept net［C］// Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2020：313-327.
9	LI Y， WANG C， HAN F， et al. Mining evidences for named entity disambiguation［C］// Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2013：1070-1078.
10	刘挺.从知识图谱到事理图谱［EB/OL］. （2017-11-15）［2023-08-10］. .
	LIU T. From knowledge graph to event graph ［EB/OL］. （2017-11-15）［2023-08-10］. .
11	RADINSKY K， DAVIDOVICH S， MARKOVITCH S. Learning causality for news events prediction［C］// Proceedings of the 21st International Conference on World Wide Web. New York： ACM， 2012：909-918.
12	DING X， ZHANG Y， LIU T， et al. Using structured events to predict stock price movement： an empirical investigation［C］// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2014：1415-1425.
13	刘永生，廖军，李亚梦，等.从知识图谱到认知图谱及电信行业应用［J］. 信息通信技术， 2021， 15（3）：48-54.
	LIU Y S， LIAO J， LI Y M， et al. Advancement of knowledge graph and cognitive graph and applications in telecom industry ［J］. Information and Communications Technologies， 2021，15（3）：48-54.
14	DING M， ZHOU C， CHEN Q， et.al. Cognitive graph for multi-hop reading comprehension at scale［C］// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2019： 2694-2703.
15	柳景兴，王彬，毛维杨，等. 深空探测器任务规划认知图谱及多属性约束冲突检测［J］. 深空探测学报， 2023， 10（1）：88-96.
	LIU J X， WANG B， MAO W Y， et al. Cognitive graph for autonomous deep space mission planning and multi-constraints collision detection ［J］. Journal of Deep Space Exploration， 2023，10（1）：88-96.
16	倪晋超. 基于知识图谱推理的食品安全情报研判系统研究［D］. 北京：北方工业大学， 2022：16-42.
	NI J C. Research on food safety information and judgment system based on knowledge graph reasoning ［D］. Beijing： North China University of Technology， 2022：16-42.
17	FAGAN M E. Design and code inspections to reduce errors in program development［J］. IBM Systems Journal， 1976， 15（3）： 182-211.
18	金芝，刘芳，李戈. 程序理解：现状与未来［J］. 软件学报， 2019， 30（1）：110-126.
	JIN Z， LIU F， LI G. Program comprehension： present and future［J］. Journal of Software， 2019， 30（1）：110-126.
19	LU J， WEI Y， SUN X， et al. Interactive query reformulation for source-code search with word relations［J］. IEEE Access， 2018， 6： 75660-75668.
20	LV F， ZHANG H， LOU J-G， et al. CodeHow： effective code search based on API understanding and extended Boolean model ［C］// Proceedings of the 2015 30th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2015：260-270.
21	滕昌志.基于数据驱动的学生程序代码推荐［D］.哈尔滨：哈尔滨工业大学， 2019：12-27.
	TENG C Z. Data-driven student code recommendations ［D］. Harbin： Harbin Institute of Technology， 2019：12-27.
22	IYER S， KONSTAS I， CHEUNG A， et. al. Summarizing source code using a neural attention model ［EB/OL］. ［2023-05-12］..

算法	准确率
MLP	71.27
SVM	72.58
KNN	67.34
Gaussian	63.75

算法	准确率
MLP	71.27
SVM	72.58
KNN	67.34
Gaussian	63.75

实体分类	属性/关系	连接属性/实体
Class	Name	｛Class，Name，class_name｝
	Method	｛Class，Method，method_name｝
	Code	｛Class，Code，code-content｝
	Function	｛Class，Function，function_name｝
	Extend	｛Class，Extend，Class｝
	Implement	｛Class，Implement，Class｝
	Input	｛Method，Input，input_content｝
Method	Output	｛Method，Output，output_content｝
	Keycode	｛Method，Keycode，Keycode_content｝
	Code	｛Method，Code，code_content｝
	Annotation	｛Method，Annotation，annotation_content｝
	Invoke	｛Method，Invoke，method｝
	Similar	｛Method，Similar，method｝

实体分类	属性/关系	连接属性/实体
Class	Name	｛Class，Name，class_name｝
	Method	｛Class，Method，method_name｝
	Code	｛Class，Code，code-content｝
	Function	｛Class，Function，function_name｝
	Extend	｛Class，Extend，Class｝
	Implement	｛Class，Implement，Class｝
	Input	｛Method，Input，input_content｝
Method	Output	｛Method，Output，output_content｝
	Keycode	｛Method，Keycode，Keycode_content｝
	Code	｛Method，Code，code_content｝
	Annotation	｛Method，Annotation，annotation_content｝
	Invoke	｛Method，Invoke，method｝
	Similar	｛Method，Similar，method｝

分类	问题	答案代码名称
功能	根据用户的检索词，利用相关论文和专利，通过不同年份文档主题去重，按照复杂性、时效性和成熟度等衡量标准，创建先进性技术报告	CreateAdvancedTechnologyReport
	通过已有经方库及核心文献的查询，提取中医古籍文本中的经方	ComExtractUtil， comMap， processComp，article2PresComp， book2PresComp，getCompType
	根据经方提取、药材有效成分和活性成分等，计算靶点置信度	getTargetScore， getMaxResourceScore， processTarget
任务	计算某一年领域文献内演化的所有新主题	getYearCooccurWords，searchJournalArticle，getJournalArticle， getSeg Content，searchProject
	读取一篇论文的所有方剂和药材成分	article2PresComp
	解析政府工作报告正文	getBody， segSentence， getParastrList
代码实体	计算两个文本的相对熵t	CalKL
	获取当前年、某领域下的期刊论文内演化的所有新主题，按得分倒序	getCoOccurwords
	关键词提取	KeywordExtraction