論文の概要: FACOS: Finding API Relevant Contents on Stack Overflow with Semantic and
Syntactic Analysis
- arxiv url: http://arxiv.org/abs/2111.07238v1
- Date: Sun, 14 Nov 2021 04:07:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 11:02:40.293688
- Title: FACOS: Finding API Relevant Contents on Stack Overflow with Semantic and
Syntactic Analysis
- Title(参考訳): FACOS: セマンティックおよび構文解析によるスタックオーバーフロー上のAPI関連コンテンツ発見
- Authors: Kien Luong, Mohammad Hadi, Ferdian Thung, Fatemeh Fard, and David Lo
- Abstract要約: 本研究では,文節とコードスニペットの意味的・統語的情報を抽出する文脈特化アルゴリズムであるFACOSを開発した。
F1スコアでは、FACOSは最先端のアプローチを13.9%上回っている。
- 参考スコア(独自算出の注目度): 6.637414972724093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collecting API examples, usages, and mentions relevant to a specific API
method over discussions on venues such as Stack Overflow is not a trivial
problem. It requires efforts to correctly recognize whether the discussion
refers to the API method that developers/tools are searching for. The content
of the thread, which consists of both text paragraphs describing the
involvement of the API method in the discussion and the code snippets
containing the API invocation, may refer to the given API method. Leveraging
this observation, we develop FACOS, a context-specific algorithm to capture the
semantic and syntactic information of the paragraphs and code snippets in a
discussion. FACOS combines a syntactic word-based score with a score from a
predictive model fine-tuned from CodeBERT. FACOS beats the state-of-the-art
approach by 13.9% in terms of F1-score.
- Abstract(参考訳): Stack Overflowのような会場での議論よりも、特定のAPIメソッドに関連するAPIの例や使用状況、言及を収集することは、簡単な問題ではありません。
議論が開発者やツールが探しているAPIメソッドを指すかどうかを正しく認識するには、努力が必要である。
スレッドの内容は、議論におけるAPIメソッドの関与を記述したテキスト段落と、API呼び出しを含むコードスニペットの両方からなり、与えられたAPIメソッドを参照することができる。
この観察を活かして、議論の中でパラグラフとコードスニペットの意味的および構文的情報をキャプチャするコンテキスト固有のアルゴリズムであるfacosを開発した。
FACOSは、構文的な単語ベースのスコアと、CodeBERTから微調整された予測モデルからのスコアを組み合わせる。
facosはf1-scoreで最先端のアプローチを13.9%上回っている。
関連論文リスト
- APICom: Automatic API Completion via Prompt Learning and Adversarial
Training-based Data Augmentation [6.029137544885093]
APIレコメンデーションは、開発者が多数の候補APIの中で必要なAPIを見つけるのを支援するプロセスである。
これまでの研究では、主にAPIレコメンデーションをレコメンデーションタスクとしてモデル化していた。
ニューラルネットワーク翻訳研究領域に動機づけられたこの問題を生成タスクとしてモデル化することができる。
提案手法は,プロンプト学習に基づく新しいアプローチAPIComを提案し,そのプロンプトに応じてクエリに関連するAPIを生成する。
論文 参考訳(メタデータ) (2023-09-13T15:31:50Z) - Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。
BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。
非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
論文 参考訳(メタデータ) (2023-05-10T16:40:52Z) - APIContext2Com: Code Comment Generation by Incorporating Pre-Defined API
Documentation [0.0]
我々は、異なる複数のエンコーダのセットを持つセック-2-seqエンコーダ-デコーダニューラルネットワークモデルを導入し、異なる入力をターゲットコメントに変換する。
ランク付け機構も開発され,非形式的なAPIを除外して,CodeSearchNetからJavaデータセットを使用してアプローチを評価することができる。
論文 参考訳(メタデータ) (2023-03-03T00:38:01Z) - Semantic Parsing for Conversational Question Answering over Knowledge
Graphs [63.939700311269156]
本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。
本稿では,2つの意味解析手法を提案し,その課題を強調した。
私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
論文 参考訳(メタデータ) (2023-01-28T14:45:11Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Binding Language Models in Symbolic Languages [146.3027328556881]
Binderはトレーニング不要のニューラルシンボリックフレームワークで、タスク入力をプログラムにマッピングする。
解析の段階では、Codexは元のプログラミング言語では答えられないタスク入力の一部を特定することができる。
実行段階では、CodexはAPI呼び出しで適切なプロンプトを与えられた万能機能を実行することができる。
論文 参考訳(メタデータ) (2022-10-06T12:55:17Z) - 1+1>2: Programming Know-What and Know-How Knowledge Fusion, Semantic
Enrichment and Coherent Application [18.03107825087115]
APIエンティティリンクによるAPI-KGとTask-KGの融合を最初に試みる。
当社のアプローチは,API-KGとTask-KGの面レベルのAPIリンクよりも深く掘り下げています。
KGは、テキストやコードクエリによるコヒーレントなAPI/Task中心の知識検索をサポートします。
論文 参考訳(メタデータ) (2022-06-26T01:22:02Z) - On the Effectiveness of Pretrained Models for API Learning [8.788509467038743]
開発者は、Excelファイルのパース、行ごとのテキストファイルの読み書きなど、特定の機能を実装するためにAPIを使うことが多い。
開発者は、より高速でクリーンな方法でアプリケーションを構築するために、自然言語クエリに基づいた自動API使用シーケンス生成の恩恵を受けることができる。
既存のアプローチでは、クエリが与えられたAPIシーケンスの検索や、RNNベースのエンコーダデコーダを使用してAPIシーケンスを生成するために、情報検索モデルを使用している。
論文 参考訳(メタデータ) (2022-04-05T20:33:24Z) - Context Dependent Semantic Parsing: A Survey [56.69006903481575]
意味解析は、自然言語の発話を機械可読な意味表現に変換するタスクである。
現在、ほとんどの意味解析手法は文脈情報を利用することができない。
この問題に対処するため、コンテキスト依存のセマンティック解析が最近多くの注目を集めている。
論文 参考訳(メタデータ) (2020-11-02T07:51:05Z) - Holistic Combination of Structural and Textual Code Information for
Context based API Recommendation [28.74546332681778]
APIRec-CST (API Recommendation by Combining Structure and Textual code information) と呼ばれる新しいAPIレコメンデーション手法を提案する。
APIRec-CSTは、API Graph NetworkとCode Token Networkをベースにしたソースコードのテキスト情報とAPI使用率を組み合わせたディープラーニングモデルである。
我々は,この手法が60.3%,81.5%,87.7%,69.4%の上位5,上位10の精度,MRRを達成し,既存のグラフベースの統計手法を著しく上回ることを示す。
論文 参考訳(メタデータ) (2020-10-15T04:40:42Z) - Differentiable Reasoning over a Virtual Knowledge Base [156.94984221342716]
コーパスを仮想知識ベース(KB)として,複雑なマルチホップ質問に答えるタスクについて検討する。
特に、コーパス内のエンティティの参照間の関係の経路をソフトに追従し、KBのようにテキストデータをトラバースするDrKITについて述べる。
DrKITは非常に効率的で、既存のマルチホップシステムよりも毎秒10-100倍のクエリを処理する。
論文 参考訳(メタデータ) (2020-02-25T03:13:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。