大语言模型的关系引导用例建模

用例流是用例建模的重要元素，因为它们支持下游软件工程活动，包括需求分析、体系结构和详细设计以及测试用例生成。然而，手动构建它们成本高昂且需要大量专业知识，而现有的自动化方法仍然难以保持语义一致性、控制流逻辑、数据流逻辑和预期的系统边界，特别是在识别分支点和生成替代流时。为了解决这个问题，我们提出了 FlowGen 来构建完整的用例流程。 FlowGen使用基于LLM的语义信息处理（SIP）来提取语义元素，构建由增强型R-GAT编码的语义关系图（SRG）用于基本流生成（BFGen），并进一步支持通过BPP进行分支点预测和通过AFGen进行分支条件替代流生成。对 13 个公共数据集和 7 个工业数据集的评估表明，FlowGen 在所有三个核心组件方面始终优于竞争基准。特别是，BFGen 在精度方面比最佳基线提高了 14%，在召回率方面提高了 7-25%，在 F1 方面提高了 11-30%，在 AUC 方面提高了 10-19%； BPP 精度提高 30-110%，召回率提高 33-91%，F1 提高 32-117%； AFGen 将精度提高 8-23%，F1 提高 5-18%，AUC 提高 0.6-2.5%。此外，我们验证了基于LLM的SIP模块和BFGen中注意力保留因子的有效性，分析了需求完整性对BFGen的影响，并检查了不同范围的分支相关上下文如何影响AFGen。