An ongoing challenge for the requirements engineering of software product lines is to predict whether a new combination of features (units of functionality) will create an unwanted or even hazardous feature interaction. We thus seek to improve and automate the prediction of unwanted feature interactions early in development. In this paper, we show how the detection of unwanted feature interactions in a software product line can be effectively represented as a link prediction problem. Link prediction uses machine learning algorithms and similarity scores among a graph's nodes to identify likely new edges. We here model the software product line features as nodes and the unwanted interactions among the features as edges. We investigate six link-based similarity metrics, some using local and some using global knowledge of the graph, for use in this context. We evaluate our approach on a software product line benchmark in the literature, building six machine-learning models from the graph-based similarity data. Results show that the best ML algorithms achieved an accuracy of 0.75 to 1 for classifying feature interactions as unwanted or wanted in this small study and that global similarity metrics performed better than local similarity metrics. The work shows how link-prediction models can help find missing edges, which represent unwanted feature interactions that are undocumented or unrecognized, earlier in development.

中文翻译：

---

链接预测是否有助于检测软件产品线 (SPL) 中的功能交互？

软件产品线需求工程面临的一个持续挑战是预测新的特性组合（功能单元）是否会产生不需要的甚至危险的特性交互。因此，我们寻求在开发早期改进和自动化对不需要的特征交互的预测。在本文中，我们展示了如何将软件产品线中不需要的特征交互的检测有效地表示为链接预测问题。链接预测使用机器学习算法和图节点之间的相似性分数来识别可能的新边。我们在这里将软件产品线特征建模为节点，将特征之间不需要的交互建模为边。我们调查了六个基于链接的相似性度量，一些使用本地图，一些使用图的全局知识，在这种情况下使用。我们根据文献中的软件产品线基准评估我们的方法，从基于图的相似性数据构建六个机器学习模型。结果表明，在这项小型研究中，最好的 ML 算法在将特征交互分类为不需要或想要的方面的准确度为 0.75 到 1，并且全局相似性度量比局部相似性度量表现更好。这项工作展示了链接预测模型如何帮助找到缺失的边缘，这些边缘代表了在开发早期没有记录或无法识别的不需要的特征交互。在这项小型研究中，75 比 1 用于将特征交互分类为不需要或想要的，并且全局相似性度量比局部相似性度量表现更好。这项工作展示了链接预测模型如何帮助找到缺失的边缘，这些边缘代表了在开发早期没有记录或无法识别的不需要的特征交互。在这项小型研究中，75 比 1 用于将特征交互分类为不需要或想要的，并且全局相似性度量比局部相似性度量表现更好。这项工作展示了链接预测模型如何帮助找到缺失的边缘，这些边缘代表了在开发早期没有记录或无法识别的不需要的特征交互。