論文の概要: Retrieving and Ranking Relevant JavaScript Technologies from Web
Repositories
- arxiv url: http://arxiv.org/abs/2205.15086v1
- Date: Mon, 30 May 2022 13:26:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 22:16:50.864601
- Title: Retrieving and Ranking Relevant JavaScript Technologies from Web
Repositories
- Title（参考訳）: Webリポジトリから関連JavaScriptテクノロジの検索とランク付け
- Authors: Hernan C. Vazquez, J. Andres Diaz Pace, Claudia Marcos and Santiago
Vidal
- Abstract要約: JSテクノロジの検索とランク付けを支援するための2段階のアプローチを提案する。
第1フェーズ(ST-Retrieval)では、開発者のニーズを満たすJSテクノロジの収集にメタ検索技術を使用している。
第2フェーズ(ST-Rankと呼ばれる)は、Webの他のプロジェクトによって使用されている基準に基づいて推論する機械学習技術に依存している。
- 参考スコア（独自算出の注目度）: 0.3441021278275805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The selection of software technologies is an important but complex task. We
consider developers of JavaScript (JS) applications, for whom the assessment of
JS libraries has become difficult and time-consuming due to the growing number
of technology options available. A common strategy is to browse software
repositories via search engines (e.g., NPM, or Google), although it brings some
problems. First, given a technology need, the engines might return a long list
of results, which often causes information overload issues. Second, the results
should be ranked according to criteria of interest for the developer. However,
deciding how to weight these criteria to make a decision is not
straightforward. In this work, we propose a two-phase approach for assisting
developers to retrieve and rank JS technologies in a semi-automated fashion.
The first-phase (ST-Retrieval) uses a meta-search technique for collecting JS
technologies that meet the developer's needs. The second-phase (called
ST-Rank), relies on a machine learning technique to infer, based on criteria
used by other projects in the Web, a ranking of the output of ST-Retrieval. We
evaluated our approach with NPM and obtained satisfactory results in terms of
the accuracy of the technologies retrieved and the order in which they were
ranked.
- Abstract（参考訳）: ソフトウェア技術の選択は重要だが複雑な作業である。
我々は、JSライブラリの評価が困難で時間を要するようになったJavaScript(JS)アプリケーションの開発者について検討している。
一般的な戦略は、検索エンジン(NPMやGoogleなど)でソフトウェアリポジトリを閲覧することである。
第一に、技術が必要な場合、エンジンは結果の長いリストを返却し、しばしば情報過負荷の問題を発生させる。
第二に、結果は開発者の関心の基準に従ってランク付けされるべきである。
しかし、これらの基準をどう重み付けして意思決定するかを決めるのは簡単ではありません。
本研究では,JS技術を半自動で検索・ランク付けする2段階のアプローチを提案する。
第1フェーズ(st-retrieval)は、開発者のニーズを満たすjsテクノロジの収集にメタ検索技術を使用する。
第2フェーズ(ST-Rankと呼ばれる)は、ST-Retrievalの出力ランキングであるWebの他のプロジェクトによって使用される基準に基づいて、推論する機械学習技術に依存している。
提案手法をnpmを用いて評価し,検索した技術の精度とランク付けの順序から満足な結果を得た。
関連論文リスト
- Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract) [73.57710917145212]
ランク付け学習は、入力クエリに基づいて関連するWebページを優先順位付けするために、Web検索で広く使われている。
本稿では,これらの課題に対処するために,経験的 UlineSemi-uline Supervised ulinePre-trained (GS2P) モデルを提案する。
我々は,公開データセットと大規模検索エンジンから収集した実世界のデータセットの両方に対して,大規模なオフライン実験を行う。
論文 参考訳（メタデータ） (2024-09-25T03:39:14Z) - Search Engines, LLMs or Both? Evaluating Information Seeking Strategies for Answering Health Questions [3.8984586307450093]
我々は,異なるWeb検索エンジン,LLM(Large Language Models)およびRAG(Research-augmented)アプローチを比較した。
健康問題に対処する可能性のあるウェブページの品質は、ランキングを下方へ下るにつれて低下しない。
評価の結果, Web エンジンは健康問題に対する正しい回答を見つける上で LLM よりも精度が低いことがわかった。
論文 参考訳（メタデータ） (2024-07-17T10:40:39Z) - MeMemo: On-device Retrieval Augmentation for Private and Personalized Text Generation [36.50320728984937]
我々はMeMemoを紹介した。MeMemoは最先端に近い近接検索技術であるHNSWをブラウザ環境に適用する最初のオープンソースのJavaScriptツールキットである。
MeMemoは、プライベートでパーソナライズされたコンテンツ作成やインタラクティブなプロトタイピングなど、エキサイティングな新しいデザインと研究の機会を提供する。
論文 参考訳（メタデータ） (2024-07-02T06:08:55Z) - Tree Search for Language Model Agents [69.43007235771383]
対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。
我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。
現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
論文 参考訳（メタデータ） (2024-07-01T17:07:55Z) - STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases [93.96463520716759]
テキストと知識ベースを用いた大規模半構造検索ベンチマークSTARKを開発した。
本ベンチマークでは, 製品検索, 学術論文検索, 精密医療におけるクエリの3分野について検討した。
多様なリレーショナル情報と複雑なテキスト特性を統合した,現実的なユーザクエリを合成する,新しいパイプラインを設計する。
論文 参考訳（メタデータ） (2024-04-19T22:54:54Z) - Investigating Technology Usage Span by Analyzing Users' Q&A Traces in
Stack Overflow [5.391288287087521]
ソフトウェア開発者にとっては、高い使用率を持つ技術を見つけることが不可欠です。
C#とJavaプログラミング言語は高い使用率を持ち、JavaScriptが続く。
私たちの調査では、SwiftUI、.NET-6.0、Visual Studio 2022、Blazor WebAssemblyフレームワークといった新興テクノロジも公開しています。
論文 参考訳（メタデータ） (2023-12-05T23:17:48Z) - GEO: Generative Engine Optimization [50.45232692363787]
我々は、生成エンジン(GE)の統一的な枠組みを定式化する。
GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。
生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。
我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
論文 参考訳（メタデータ） (2023-11-16T10:06:09Z) - Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。
LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。
これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
論文 参考訳（メタデータ） (2023-05-15T17:57:39Z) - NeuralSearchX: Serving a Multi-billion-parameter Reranker for
Multilingual Metasearch at a Low Cost [4.186775801993103]
検索結果をマージし、文章をハイライトする多目的大規模階調モデルに基づくメタサーチエンジンであるNeuralSearchXについて述べる。
我々の設計選択は、幅広い公開ベンチマークで最先端の結果に近づきながら、競争力のあるQPSを備えたよりコスト効率の高いシステムに繋がったことを示す。
論文 参考訳（メタデータ） (2022-10-26T16:36:53Z) - Efficient Neural Query Auto Completion [17.58784759652327]
クエリオートコンプリートシステムでは,3つの大きな課題が報告されている。
従来のQACシステムは、検索ログのクエリ候補頻度などの手作り機能に依存している。
本稿では,これらの課題を克服するために,効果的なコンテキストモデリングを用いた効率的なニューラルネットワークQACシステムを提案する。
論文 参考訳（メタデータ） (2020-08-06T21:28:36Z) - Covidex: Neural Ranking Models and Keyword Search Infrastructure for the
COVID-19 Open Research Dataset [87.47567807116204]
Covidexは最新のニューラルランキングモデルを利用する検索エンジンだ。
これは、Allen Institute for AIがキュレートしたCOVID-19 Open Researchデータセットへのアクセスを提供する。
論文 参考訳（メタデータ） (2020-07-14T16:26:01Z)
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。