2018软工实践——团队答辩

引子

无雨哪能见晴之可爱,没有夜也将看不出昼之光明 --郁达夫

本次作业
组长作业链接

---

“NABCDM”分析——更完备的竞争性需求分析

• 或许你会对本次分析的标题感到些许疑惑，但在抱怨之前我们可以先来看看下述的两段话...
  • 我们的产品——吃喝玩乐遍福州计划以福大周边各城市广场为基点，给广大现居福州亦或是来福州游玩的用户提供一个主要针对餐饮娱乐的第三方评论模式的信息分享平台。他们需要<Need>——实时、客观的信息分享平台以更加轻松且有效的方式获取更多商铺信息，但是现有的产品并没有很好地解决这些需求。我们有独特的办法<Approach>——结合“目标检测”与“文字识别”并且集成了AR技术为一体的信息检索平台，同时兼具智能情感分析功能——透过各类评论进一步给用户提供更多信息这样来满足用户需求，它能给用户带来好处<Benefit>,远远超过竞争对手<Competitor>。同时，我们有高效率的<Delivery>推广,能很快让目标用户知道我们的产品，并进一步传播。
  • 我们的产品——吃喝玩乐遍福州计划以福大周边各城市广场为基点，给广大现居福州亦或是来福州游玩的用户提供一个主要针对餐饮娱乐的第三方评论模式的信息分享平台。他们需要<Need>——实时、客观的信息分享平台以更加轻松且有效的方式获取更多商铺信息，但是现有的产品并没有很好地解决这些需求。我们有独特的办法<Approach>——结合“目标检测”与“文字识别”并且集成了AR技术为一体的信息检索平台，同时兼具智能情感分析功能——透过各类评论进一步给用户提供更多信息这样来满足用户需求，它能给用户带来好处<Benefit>,远远超过竞争对手<Competitor>。同时，我们有高效率的<Delivery>推广,能很快让目标用户知道我们的产品，并进一步传播。最后，我们有完善的<Maintainence>维护与更新机制，系统化的软件迭代流程，随着客户需求的变更以及市场驱动的导向，我们能够逐步改进和完善我们的软件
• 在按部就班地分析需求时，第二段话是否会更具说服力？
• 需求文档的确立中不需要考虑软件的维护问题吗? 仅仅依靠创新的做法、优秀的推广可以说服客户吗？
• 不妨来看看下述中我们团队对于“NABCDM”的分析吧！

---

Need——需求

• 基本需求
  • 提供针对餐饮娱乐的信息分享功能
  • 实现通过AR技术结合自然场景下的文本识别获取商铺信息
  • 完成商铺评价的 “情感分析” ——通过多样化的评论提供给用户更多信息
• 附加需求
  • 结合GPS完成周边商铺的智能推荐
  • 数据可视化在商铺广场地图上的实现

---

Approach——做法

• 基本需求的做法
  • 建立数据库存储各类信息
  • 目标检测+文字识别+AR接口
  • 自然语言处理、情感挖掘
• 附加需求的做法
  • GPS接口的导入
  • 基于matplotlib+wordcloud完成数据可视化

---

Benifit——好处

• 用户可根据自身需求获取商铺相关信息，亦可轻松通过定位智能推荐商铺
• 在打字不方便的情况下，只需轻松打开手机一扫即可
• 结合了情感分析以屏蔽“水军”评论，使用户能以更客观的角度获取更丰富的信息
• 软件的扩展性易、泛化性强，可结合多种功能

---

Competitors——竞争

• 竞争中存在着先发优势与后发优势：
  • “先发优势”——先进入市场的产品会使得用户形成在先发软件上的习惯，同时需要额外考量迁移成本。
  • “后发优势”——后进入市场的产品可以在先进入市场的产品上做出改进，更好地满足用户需求。
• 假想竞争对手
  • ① 以其他同样参与团队作业的同学为假想竞争对手，由于我们的软件提供了维护的功能——M，个人认为一个维护有保障的软件产品在面对客户需求上完全不输于其它看似功能性完备的产品。我们的软件产品可以通过有效、规范的维护更新制度完成良好的产品输出，并且能持续性给用户带来更佳的体验。
  • ② 若是不巧，相较于同样于同样也为客户提供维护功能的团队，则进一步转入各自软件的功能上的竞争；根据我们团队的调研情况，目前市面上没有一款以AR技术为接口结合深度学习分析商铺的APP，而假设我们的假想对手做的是诸如市面上常见的诸如推荐、图像识别等功能，则在创新性方面不如我们团队；而若是相较于同样具有创新型功能的团队的话，则主要差异度将会体现在上述提到的“先发优势”与“后发优势”上。更何况我们有最强的技术团队。

---

Delivery——推广

我们将推广思路分为三个阶段——初期、中期、上升期

• 推广的初期，我们将在学校内宣传，通过海报、网络、自印宣传单等方式，迅速扩大市场范围。并且根据用户的反馈信息，对软件进行进一步的迭代更新。完善功能。接下来推广到大学城内其他几所高校，进行下一步的更新和迭代。
• 进入到中期，积累了一定的用户量和功能完善，我们计划扩大与商家合作，并且借用原先的客户流量来完成进一步推广。
• 有了以上的基础，则进入软件的上升期，具有较大的用户量之后，用户群体也将产生一定的软件依赖性，所以我们计划在客户分享的内容的结尾带上本软件产品的宣传标语， 达到扩大影响力的效果。

---

Maintainence——维护

• "NABCD" 是一个兼具泛化性与强健性的模型，在考量需求、推广的同时，也强调了竞争这一更立足现实的观点，能够完全满足市场上绝大部分软件的需求分析要求。
• 但私以为在完成 “NABCD” 这样一个竞争性需求分析框架的同时，我们团队更需要一个差异化的焦点来吸引更多的用户；做出高质量的功能让用户口口相传固然是件极佳的事情，但是我们终须考虑到软件的生命周期，做出一个不断给用户带来更佳体验的软件。
• 所以应用至本软件——“吃喝玩乐遍福州”，我们会持续不断地提供数据库更新的支持，也会不断扩充、完备现有功能，如在提供商铺评论分析功能的基础上，提供推荐同类其他家商铺的选项，给客户提供一个不断“涌入新鲜血液”——不断更新迭代的平台。

---

团队贡献度评价准则

• 在每次作业发布时，线上或线下召开短会安排本次任务，根据每组分配到的任务量定下每组的贡献度百分比。各组的百分比的总合为 90% ，剩下 10% 作为奖励表现较好的组，如果各组都按时提交计划任务，则 10% 平均分配给各组。
• 组内的贡献度由各组的组长进行分配。
• 每个人最终的贡献度都会根据提交情况和完成情况进行浮动。
• 扣贡献度的情况有：
  • DDL 之后才提交任务
  • 质量差
  • 在其他人的帮助才完成
  • ...
• 如有扣贡献度的情况，会把扣下的贡献度分配给按时提交计划任务的组。
• 任务完成的质量由各小组组长及组长林燊共同认定。

选题报告

点我看看

评审表

点我看看

答辩总结

答第一组

1. 项目功能之一的评论筛选实现难度较高，即使有针对英语比较成熟的机器学习训练方法，在将语境转换到中文语境时识别成功率还能保持吗？毕竟中文语法与英语语法相比有更多不确定性

• 答： 首先感谢“爸爸饿了队”组的提问，答辩后查阅了大量资料发现，
  该类中文标注集确实存在较少，针对英文也存在有类似的“facebook”相关的谣言检测标注集。不过应用于水军评论上则存在大量问题——如“水军”界定困难等。原先计划是通过二分类形式的贝叶斯分类器来完成训练的，经过组内讨论也验证了此方法过于简单且数据集存在差异性问题，我们也因此删去了该功能。不过这里我也想简单提出一个似乎可行的解决方案：通过网络上常见的“模板”结合相关“水军渠道”，以我们团队自身角度来标注“水军”数据集，但是这个工作量实在偏大，因此不做考虑。我们团队也欢迎这样有深度的问题！

1. 如何规避爬取如大众点评的用户评论时可能存在的法律风险？

• 答： 只要对应网站的robots协议允许或是我们不用于商业用途就是合法的，所以本产品初期可以采取不盈利的模式，不断由用户提供基于真实体验后得到的商铺信息，待产品成熟后即可不依赖于“爬虫”，改为应用我们产品自身数据库的信息，便可自此开始盈利。

1. 在演讲阶段没有清楚的阐明用户的使用场景，希望能获得一个清晰的表述

• 答： 确实我们在演讲阶段没有清楚阐明，仅在答辩阶段借着提问机会才简单阐明了我们的使用场景——“假定我们初来福州，想去周边的城市广场找家餐馆不单为满足饱腹之饥，更为有较好的用餐体验，一家装潢雅致的餐馆出现在你面前，与此打开手机一步步输入餐馆信息，不如轻轻一扫即可完成信息检索。"

答第二组

1. 关于删掉水军这点,感觉是挺有难度的,请问打算怎么实现？

• 答： 首先感谢“拖鞋旅游队”的提问，我们的原先计划是通过二分类形式的贝叶斯分类器来完成训练的，经过组内讨论也验证了此方法过于简单且数据集存在差异性问题，我们也因此删去了该功能。不过这里我也想简单提出一个似乎可行的解决方案：通过网络上常见的“模板”结合相关“水军渠道”，以我们团队自身角度来标注“水军”数据集，但是这个工作量实在偏大，因此不做考虑。

1. 两个月后开始实现盈利的怎样得出来的，众多盈利方式中那点可以作为最主要的赢利点，要是两个月后没有实现盈利那又该怎么办？

• 答： 我们根据简单的市场调研得出了上述的结论，我们的广告位会作为我们的主要盈利点，若两个月后未实现则会通过我们提出的三段式维护迭代模块进一步维护我们的产品。

1. 对于店铺的安全性和营业资质可以保证吗，如果可以的话，要如何保证？

• 答： 首先店铺的营业执照均有国家工商局颁发，我们也会尽力确认。

答第三组

1. 对于算法的复杂度实现难度,你们有什么想改进的吗

• 答： 首先感谢“彳艮彳亍队”组的提问，我们计划采用迁移学习的形式改进，具体化即为直推式迁移学习——通过分类器的正负样本完成迁移训练。

1. 这个项目需求,是否真正满足用户真实需求？有问卷多少比例的预使用率吗？

• 答： 我们主要针对于刚入学的18级新生投放的问卷，约有94%的问卷调查群体对我们提供的功能表示认可。

3. 对于类似于美团、大众点评这种需要多人次使用的app才可盈利,你们有什么推广的计划吗？

• 答： 推广计划均在博客及项目计划书中有体现，推广的初期，我们将在学校内宣传，通过海报、网络、自印宣传单等方式，迅速扩大市场范围。并且根据用户的反馈信息，对软件进行进一步的迭代更新。完善功能。接下来推广到大学城内其他几所高校，进行下一步的更新和迭代。
  进入到中期，积累了一定的用户量和功能完善，我们计划扩大与商家合作，并且借用原先的客户流量来完成进一步推广。
  有了以上的基础，则进入软件的上升期，具有较大的用户量之后，用户群体也将产生一定的软件依赖性，所以我们计划在客户分享的内容的结尾带上本软件产品的宣传标语， 达到扩大影响力的效果。

答第四组

答第五组

1. 夜间手机拍照难以识别怎么办？

• 答： 首先感谢“起床一起肝活队”的提问，但是提问可否适当结合生活实际呢？一家营业间的商铺在夜晚肯定是有开灯，考虑我们的项目基础即为文字搜索功能，夜间拍照我们也可通过调用手机附带的手电筒实现。

1. 关于水军，如果连人脑都难以判断是否为水军，算法可以做到吗？

• 答： 关于人脑与算法的差异性，或许该组对此有误区。类似的功能如谣言检测，设想一下，大部分人也很难区分谣言吧？相关具体可参见注意力模型的具体介绍，只是介于该模块仅是附加功能，所以在本模块上的时间分配不会过多，关于技术方面问题有兴趣可以后续私聊我们团队讨论！

1. 对于缺少简介与评论的商家应该如何解决？

• 答： 我们主要针对的是城市广场上的商铺，而在大多数城市广场的运营商均有需求对应商铺提供相应简介以与各大点评网站对接。若缺少评论我们可以选择不展示！这种不展示评论情况也在大部分点评网站也均有出现。

答第六组

1. 请问如何辨别水军和用户？

• 答： 首先感谢“404 Note Found队”的提问，我们的原先计划是通过二分类形式的贝叶斯分类器来完成训练的，经过组内讨论也验证了此方法过于简单且数据集存在差异性问题，我们也因此删去了该功能。不过这里我也想简单提出一个似乎可行的解决方案：通过网络上常见的“模板”结合相关“水军渠道”，以我们团队自身角度来标注“水军”数据集，但是这个工作量实在偏大，因此不做考虑。

1. 如何让用户放弃其他产品而使用你们的产品？

• 答： 做好的自己的核心功能，增强竞争力。考虑的是做好自己，而不是逼用户做出选择，只要自己的产品够好，用户自然会投入我们的怀抱。

1. 技术壁垒如何实现？

• 答： 技术壁垒方面，我们大致还是以AR技术为主，google这边有提供相对应的开源代码，我们也会在此基础上进一步完成实现，如果感兴趣欢迎讨论。

答第七组

1. 对于夜晚环境暗，闪光灯补光无效，用户使用的不是P20，是不是核心功能就失效了？

• 答： 一般用户会选择营业中的店铺，黑灯瞎火的店铺应该是没办法营业的吧。

1. 如果采取了定位，使用搜索推荐附加商家的模式不会太花费时间，那么你们的核心功能真的有吸引力吗？

• 答： 核心功能是我们自己定义的，我们认为这是我们可以吸引用户的点，那么您说有了一个更吸引的功能那么我认为这不是一个问题，而是一件好事。

1. 对于没有商店招牌的店铺怎么办？以及你们要怎么获取商店迭代更替的信息？

• 答： 我们的用户场景主要针对的是城市广场，那么我认为城市广场内出现没有商店招牌的店铺是很可笑的。

答第八组

1. 对于项目的长海报功能，对于照片质量的保证和压缩能到什么程度

• 答： 首先感谢“小白吃”组的提问。没能理解您的意思，“项目的长海报”这个功能我们并没有提过，也没有相关表述，不知道是不是问题填错了位置呢？我们从未提到过长海报功能！

1. 感觉其实拍照功能是多此一举的你们说打字时可能光线太暗，但是拍照的时候要是晚上也识别不清怎么办？

• 答： 一般用户会选择营业中的店铺，黑灯瞎火的店铺应该是没办法营业的吧。

1. 感觉你们对于算法主要是通过现成的目标检测算法，但是后面更为核心的却没有提到，对于你们以后能否真正推广有把握吗？

• 答： 首先我们不仅实现了目标检测算法，还实现了相对的文字识别算法，试问每个团队是否均在实现算法完全功能后再上台答辩呢？我们的核心内容即为AR扫描+目标检测+文字识别。不过AR模块的话，google有提供开源的代码，我们也可借此来改进。

答第九组

未提交问题

选题报告修改内容

• 根据上述提问，我们均对选题报告进行了不同程度的修改，大致分为以下三个模块：
  • 删除“水军”功能及其相关表述
  • 选题报告格式规范化
  • 修改团队准则

平均分

本次整合各组打分，去除最高分及最低分，所得分数为75.71

本次作业贡献度

队员	贡献度
林燊	13%
陈俞辛	16%
朱志豪	8%
蔡宇航	9%
陈柏涛	10%
董钧昊	16%
刘宏岩	12%
卢恺翔	8%
杨喜源	8%
总计	100%

说明：本次作业没有出现扣贡献度的情况。考虑到本次作业以文档为主，所以制作文档的同学贡献度较高。