This makes AHP difficult to use wit

This makes AHP difficult to use with large sets of requirements, a problem that is typically dealt with by defining ad hoc heuristics for deciding when the pair preference elicitation process can be stopped without compromising the accuracy of the resulting ranking.1 This may be a main reason for ex-post approaches being less commonly used than ex-ante approaches in requirements prioritization practices. Analogously to AHP, in our work we follow an ex-post perspective to the requirements prioritization problem and propose a method called Case-Based Ranking (CBRank from now on). Differently from AHP, CBRank adopts a highly flexible preference elicitation process which rests on the following basic properties. First, it allows for combining sets of preferences elicited from human decision makers with sets of preferences, which are automatically computed
through machine learning techniques. These techniques exploit knowledge about (partial) orders of the requirements that may be encoded in the description of the requirements itself (i.e., in terms of the actual requirement attributes), thus enabling what we call domain adaptivity. This accounts for the straightforward applicability of CBRank to different application domains and for the fact that the accuracy of machine-estimated ranking increases with the level of significance of the encoded domain knowledge. Second, CBRank is organized according to an iterative schema which allows for deciding when to stop the elicitation process on the basis of a measure of the tradeoff between the elicitation effort and the accuracy of the resulting ranking. With a reasonable effort, the method can be applied up to 100 requirements.

Kết quả (Việt) 1:

This makes AHP difficult to use with large sets of requirements, a problem that is typically dealt with by defining ad hoc heuristics for deciding when the pair preference elicitation process can be stopped without compromising the accuracy of the resulting ranking.1 This may be a main reason for ex-post approaches being less commonly used than ex-ante approaches in requirements prioritization practices. Analogously to AHP, in our work we follow an ex-post perspective to the requirements prioritization problem and propose a method called Case-Based Ranking (CBRank from now on). Differently from AHP, CBRank adopts a highly flexible preference elicitation process which rests on the following basic properties. First, it allows for combining sets of preferences elicited from human decision makers with sets of preferences, which are automatically computedthông qua máy học kỹ thuật. Các kỹ thuật khai thác các kiến thức về đơn đặt hàng (một phần) của các yêu cầu có thể mã hóa trong các mô tả về các yêu cầu riêng của mình (tức là, trong điều khoản của các thuộc tính yêu cầu thực tế), do đó cho phép những gì chúng tôi gọi là tên miền adaptivity. Điều này các tài khoản cho các ứng dụng đơn giản của CBRank cho các lĩnh vực ứng dụng khác nhau và sự thật là tính chính xác của máy ước tính xếp hạng tăng với mức độ của tầm quan trọng của kiến thức mã hóa tên miền. Thứ hai, CBRank được tổ chức theo một giản đồ lặp đi lặp lại cho phép đối với việc quyết định khi nào để dừng quá trình elicitation trên cơ sở một thước đo của sự cân bằng giữa các nỗ lực elicitation và sự chính xác của kết quả xếp hạng. Với một nỗ lực hợp lý, phương pháp có thể được áp dụng lên đến 100 yêu cầu.

Kết quả (Việt) 2:

Điều này làm cho AHP khó sử dụng với số lượng lớn tập các yêu cầu, một vấn đề mà thường được xử lý bằng cách xác định chẩn đoán quảng cáo hoc để quyết định khi hai quá trình khơi gợi sở thích có thể được ngừng lại mà không ảnh hưởng đến độ chính xác của các kết quả ranking.1 Đây có thể là một chính Lý do cho công tác hậu phương pháp tiếp cận được ít sử dụng hơn so với phương pháp tiếp cận ex-ante trong thực hành yêu cầu ưu tiên. Tương tự để AHP, trong công việc của chúng tôi, chúng tôi làm theo một quan điểm hậu cho vấn đề yêu cầu ưu tiên và đề xuất một phương pháp gọi là Case-Based Ranking (CBRank từ bây giờ). Khác nhau từ AHP, CBRank thông qua một quá trình khơi gợi sở thích rất linh hoạt mà dựa trên những đặc tính cơ bản sau đây. Đầu tiên, nó cho phép kết hợp bộ sở thích gợi ra từ các nhà sản xuất quyết định của con người với bộ sở thích, mà được tính tự động
thông qua các kỹ thuật máy học. Những kỹ thuật khai thác kiến thức về (một phần) các đơn đặt hàng của các yêu cầu mà có thể được mã hóa trong các mô tả về các yêu cầu riêng của mình (ví dụ, trong điều khoản của các yêu cầu thực tế các thuộc tính), do đó tạo điều kiện cho những gì chúng ta gọi miền adaptivity. Tài khoản này cho các ứng dụng đơn giản của CBRank các miền ứng dụng khác nhau và cho một thực tế rằng sự chính xác của máy tính tăng thứ hạng tăng với mức độ quan trọng của kiến thức miền mã hóa. Thứ hai, CBRank được tổ chức theo một lược đồ lặp đi lặp lại cho phép để quyết định khi nào để ngăn chặn quá trình khơi gợi bằng trên cơ sở của một thước đo của sự cân bằng giữa các nỗ lực khơi gợi và tính chính xác của các kết quả xếp hạng. Với một nỗ lực hợp lý, phương pháp này có thể được áp dụng lên đến 100 yêu cầu.