TY - THES A1 - Camargo da Silva, Thayná T1 - Extracting knowledge graphs from user stories using LangChain T1 - Extrahieren von Wissensgraphen aus User Storys mit LangChain N2 - Requirements engineering is a fundamental component in software engineering since it defines the software from the user’s perspective. In this context, user stories play a crucial role since they are simple, natural language descriptions of software requirements, and they are widely utilized in the industry, along with the agile development methodology. User stories, while valuable for capturing individual functionalities, offer a limited perspective of the overall system, hindering maintainability and comprehension. To address these challenges, extracting structured information and modeling user stories is crucial. Knowledge graphs offer a promising approach by providing a visual and structured representation of user stories, facilitating data storage and analysis, and reducing manual effort retrieval, leading to a more coherent and manageable system. Several methodologies to model stories employ Natural Language Processing (NLP) techniques, presenting limited precision, complex implementation, and difficulties to interpret a sentence [47]. Recent research has explored using large language models, such as ChatGPT-3.5 [1], to extract knowledge graph components (nodes and relationships) from user stories. However, the solution relies on specific models and lacks comprehensive data processing pipelines for constructing knowledge graphs. LangChain, a model-agnostic framework, is a promising tool that empowers the development of applications centered around large language models. Its adaptability extends to knowledge graph construction, facilitating the extraction of structured information from textual data and seamless integration with graph databases. This thesis introduces a novel methodology for the automated generation of knowledge graphs from user stories by leveraging the advanced capabilities of Large Language Models (LLMs). Utilizing the LangChain framework as a basis, the UserStoryGraph- Transformer (USGT) module was developed to extract nodes and relationships from user stories using an LLM to construct accurate knowledge graphs. This innovative technique was implemented in a script to fully automate the knowledge graph extraction process. Additionally, the evaluation was automated through a dedicated evaluation script, utilizing an annotated dataset for assessment. By enhancing the visualization and understanding of user requirements and domain concepts, this method fosters better alignment between software functionalities and user expectations, ultimately contributing to more effective and user-centric software development processes. N2 - Die Anforderungsanalyse ist ein grundlegender Bestandteil der Softwareentwicklung, da sie die Software aus der Sicht des Benutzers definiert. In diesem Zusammenhang spielen User Storys eine entscheidende Rolle, da sie einfache, natürlichsprachliche Beschreibungen von Softwareanforderungen sind und in der Industrie zusammen mit der agilen Entwicklungsmethodik weit verbreitet sind. User Storys sind zwar wertvoll für die Erfassung einzelner Funktionalitäten, bieten aber nur eine begrenzte Sichtweise auf das Gesamtsystem, was die Wartbarkeit und das Verständnis erschwert. Um diese Herausforderungen zu bewältigen, ist die Extraktion von strukturierten Informationen und die Modellierung von User Storys von entscheidender Bedeutung. Wissensgraphen bieten einen vielversprechenden Ansatz, da sie eine visuelle und strukturierte Darstellung von User Storys bieten, die Datenspeicherung und -analyse erleichtern und den manuellen Aufwand beim Abrufen reduzieren, was zu einem kohärenten und besser handhabbaren System führt. Mehrere Methoden zur Modellierung von Geschichten verwenden Techniken der natürlichen Sprachverarbeitung (NLP), die sich durch begrenzte Präzision, komplexe Implementierung und Schwierigkeiten bei der Interpretation eines Satzes auszeichnen. Jüngste Forschungsarbeiten haben sich mit der Verwendung großer Sprachmodelle wie ChatGPT-3.5 befasst, um Komponenten des Wissensgraphen (Knoten und Beziehungen) aus User Storys zu extrahieren. Die Lösung beruht jedoch auf spezifischen Modellen und es fehlt an umfassenden Datenverarbeitungspipelines für die Konstruktion von Wissensgraphen. LangChain, ein modellunabhängiges Framework, ist ein vielversprechendes Werkzeug, das die Entwicklung von Anwendungen ermöglicht, die auf großen Sprachmodellen basieren. Seine Anpassungsfähigkeit erstreckt sich auch auf die Konstruktion von Wissensgraphen und erleichtert die Extraktion strukturierter Informationen aus Textdaten und die nahtlose Integration mit Graphdatenbanken. In dieser Arbeit wird eine neuartige Methodik für die automatische Generierung von Wissensgraphen aus User Storys vorgestellt, indem die fortgeschrittenen Fähigkeiten von Large Language Models (LLMs) genutzt werden. Auf der Grundlage des LangChain-Frameworks wurde das Modul UserStoryGraphTransformer (USGT) entwickelt, um Knoten und Beziehungen aus User Storys mit Hilfe eines LLMs zu extrahieren und genaue Wissensgraphen zu erstellen. Zusätzlich wurde die Auswertung durch ein spezielles Auswertungsskript automatisiert, das einen kommentierten Datensatz zur Bewertung verwendet. Durch die Verbesserung der Visualisierung und des Verständnisses von Benutzeranforderungen und Domänenkonzepten fördert diese Methode eine bessere Abstimmung zwischen Softwarefunktionalitäten und Benutzererwartungen und trägt letztendlich zu effektiveren und benutzerzentrierten Softwareentwicklungsprozessen bei. KW - Knowledge graph KW - Requirements engineering KW - Langchain KW - User story KW - Large language models KW - Neo4j KW - Wissensgraphen KW - Anforderungsanalyse KW - Anwendererzählung KW - Requirements engineering KW - Großes Sprachmodell KW - Wissensgraph Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-70382 ER -