时序逻辑已被广泛应用于形式化验证和机器人控制等领域,但是对于非专家用户来说难以掌握使用.因此,采用自动化手段从自然语言文本中提取时序逻辑公式,是至关重要的.然而,现有工作受限于需求样本稀疏和自然语言语义模糊等因素,导致其难以准确地识别自然语言文本中隐含的时序语义,进而造成最终得到的时序逻辑公式错误表达了原始自然语言的语义.为了解决该问题,提出一种基于小样本网络的时序逻辑语义分析方法 FSLNetsTLSA,它采用了数据预处理用来增强文本时序语义逻辑特征,网络结构由编码器、归纳模块和关系模块组成,旨在捕捉需求文本的隐含时序逻辑语义信息,并集成模型增强模块识别监控语义准确度.在3个公开数据集3 533个需求样本上与相似工具上完成实验评估,其分析的平均准确率、召回率和F1值达到了96.55%, 96.29%和96.42%,验证了所提方法的有效性.
