論文の概要: Using Large-scale Heterogeneous Graph Representation Learning for Code
Review Recommendations
- arxiv url: http://arxiv.org/abs/2202.02385v1
- Date: Fri, 4 Feb 2022 20:58:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 19:29:48.942663
- Title: Using Large-scale Heterogeneous Graph Representation Learning for Code
Review Recommendations
- Title（参考訳）: 大規模不均一グラフ表現学習を用いたコードレビュー勧告
- Authors: Jiyang Zhang, Chandra Maddila, Ram Bairi, Christian Bird, Ujjwal
Raizada, Apoorva Agrawal, Yamini Jhawar, Kim Herzig, Arie van Deursen
- Abstract要約: 我々は、レビュアーレコメンデーションのための新しいアプローチであるCoRALを提示する。
私たちは、リッチなエンティティセットから構築された社会技術的グラフを使用します。
我々は,コラルがレビュアー選択のマニュアル履歴を極めてうまくモデル化できることを示した。
- 参考スコア（独自算出の注目度）: 7.260832843615661
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Code review is an integral part of any mature software development process,
and identifying the best reviewer for a code change is a well accepted problem
within the software engineering community. Selecting a reviewer who lacks
expertise and understanding can slow development or result in more defects. To
date, most reviewer recommendation systems rely primarily on historical file
change and review information; those who changed or reviewed a file in the past
are the best positioned to review in the future. We posit that while these
approaches are able to identify and suggest qualified reviewers, they may be
blind to reviewers who have the needed expertise and have simply never
interacted with the changed files before. To address this, we present CORAL, a
novel approach to reviewer recommendation that leverages a socio-technical
graph built from the rich set of entities (developers, repositories, files,
pull requests, work-items, etc.) and their relationships in modern source code
management systems. We employ a graph convolutional neural network on this
graph and train it on two and a half years of history on 332 repositories. We
show that CORAL is able to model the manual history of reviewer selection
remarkably well. Further, based on an extensive user study, we demonstrate that
this approach identifies relevant and qualified reviewers who traditional
reviewer recommenders miss, and that these developers desire to be included in
the review process. Finally, we find that "classical" reviewer recommendation
systems perform better on smaller (in terms of developers) software projects
while CORAL excels on larger projects, suggesting that there is "no one model
to rule them all."
- Abstract（参考訳）: コードレビューは、成熟したソフトウェア開発プロセスにとって不可欠な部分であり、コード変更の最良のレビュアーを特定することは、ソフトウェアエンジニアリングコミュニティで広く受け入れられている問題である。
専門知識や理解に欠けたレビュアーを選択することは、開発を遅らせたり、より多くの欠陥をもたらす可能性がある。
現在、ほとんどのレビュアレコメンデーションシステムは、主に履歴ファイルの変更とレビュー情報に依存しており、過去にファイルを変更したりレビューしたりした人は、将来レビューする最も適している。
これらのアプローチは、資格のあるレビュアーを識別し、推奨することができるが、必要な専門知識を持ち、単に変更したファイルとやりとりしたことがないレビュアーには盲目である可能性がある。
これを解決するために、私たちは、豊富なエンティティ(開発者、リポジトリ、ファイル、プルリクエスト、ワーク-イムなど)と、現代のソースコード管理システムにおけるそれらの関係から構築された社会技術的グラフを活用する、レビュアーレコメンデーションのための新しいアプローチであるCoRALを紹介します。
このグラフにはグラフ畳み込みニューラルネットワークを使用し、332リポジトリ上で2年半の歴史をトレーニングしています。
我々は,コラルがレビュアー選択のマニュアル履歴を極めてうまくモデル化できることを示した。
さらに,広範囲にわたるユーザ調査の結果から,従来のレビュアーのレビュアー推薦が欠落している関連および資格のあるレビュアーを特定し,レビュアーの審査プロセスへの参加を希望することを示す。
最後に、"古典的な"レビュアーのレコメンデーションシステムはより小さな(開発者の観点から)ソフトウェアプロジェクトではパフォーマンスが向上し、coralはより大きなプロジェクトでは優れていることが分かり、"これらをすべて支配するモデルは存在しない"ことを示唆した。
関連論文リスト
- Understanding Code Understandability Improvements in Code Reviews [79.16476505761582]
GitHub上のJavaオープンソースプロジェクトからの2,401のコードレビューコメントを分析した。
改善提案の83.9%が承認され、統合され、1%未満が後に復活した。
論文 参考訳（メタデータ） (2024-10-29T12:21:23Z) - Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。
Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
論文 参考訳（メタデータ） (2024-10-02T09:11:10Z) - Leveraging Reviewer Experience in Code Review Comment Generation [11.224317228559038]
私たちは、自然言語のコードレビューを提供する際に、人間のレビュアーを模倣するためにディープラーニングモデルを訓練します。
生成したレビューの品質は、モデルトレーニングで使用されるオープンソースのコードレビューデータの品質のため、まだ最適化されていない。
本稿では,レビュー品質の指標として,過去のレビュアのオーサリングとレビューを活かした経験学習手法を提案する。
論文 参考訳（メタデータ） (2024-09-17T07:52:50Z) - Improving Automated Code Reviews: Learning from Experience [12.573740138977065]
本研究では,自動コードレビューモデルから高品質なレビューを生成できるかどうかを検討する。
経験を意識したオーバーサンプリングは、レビューの正確性、情報レベル、有意義性を高めることができる。
論文 参考訳（メタデータ） (2024-02-06T07:48:22Z) - Factoring Expertise, Workload, and Turnover into Code Review
Recommendation [4.492444446637857]
コードレビューが知識を自然に広めることで、ファイルのターンオーバーのリスクが軽減されることを示す。
我々は、レビュー中の専門知識のレベルへの影響を理解するために、新しいレコメンデーターを開発する。
レビュー中に専門知識をグローバルに増加させ、+3%、ワークロードの集中度を12%減らし、ファイルのリスクを28%減らすことができます。
論文 参考訳（メタデータ） (2023-12-28T18:58:06Z) - Improving Code Reviewer Recommendation: Accuracy, Latency, Workload, and
Bystanders [6.538051328482194]
当社は2018年のRevRecV1以降生産されているレコメンデータを構築しています。
私たちは、レビュアーがファイルの以前のオーサシップに基づいて割り当てられていることに気付きました。
レビューに責任を持つ個人を持つことは、レビューにかかる時間を11%削減する。
論文 参考訳（メタデータ） (2023-12-28T17:55:13Z) - Team-related Features in Code Review Prediction Models [10.576931077314887]
コードオーナシップ、ワークロード、チーム関係に関連する機能の予測能力を評価します。
結果から,コードオーナシップに関連する機能が最も優れた予測能力を持つことが示唆された。
提案されたすべての機能とコード行を合わせることで、レビュアーの参加とフィードバックの量の両方に最適な予測ができると結論付けます。
論文 参考訳（メタデータ） (2023-12-11T09:30:09Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - Can We Automate Scientific Reviewing? [89.50052670307434]
我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。
我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。
総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
論文 参考訳（メタデータ） (2021-01-30T07:16:53Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。