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
- 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) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳(メタデータ) (2023-08-10T13:19:10Z) - WebGLM: Towards An Efficient Web-Enhanced Question Answering System with
Human Preferences [32.70333236055738]
WebGLMは、一般言語モデル(GLM)に基づくWebによる質問応答システムである
LLM強化レトリバー、ブートストラップ付きジェネレータ、人間の嗜好認識スコアラーの戦略を用いてWebGLMを開発する。
論文 参考訳(メタデータ) (2023-06-13T16:57:53Z) - 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) - Physical Computing for Materials Acceleration Platforms [81.09376948478891]
我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。
シミュレーションに基づくMAPプログラムの概要を述べる。
我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
論文 参考訳(メタデータ) (2022-08-17T23:03:54Z) - OpenHoldem: An Open Toolkit for Large-Scale Imperfect-Information Game
Research [82.09426894653237]
OpenHoldemは、NLTHを用いた大規模不完全情報ゲーム研究のための統合ツールキットです。
1)異なるNLTH AIを徹底的に評価するための標準化された評価プロトコル、2)NLTH AIのための3つの公的に利用可能な強力なベースライン、3)公開NLTH AI評価のための使いやすいAPIを備えたオンラインテストプラットフォーム。
論文 参考訳(メタデータ) (2020-12-11T07:24:08Z) - learn2learn: A Library for Meta-Learning Research [2.8688643489783496]
Learn2learnは、プロトタイピングと機能性問題を解決することに焦点を当てた、メタラーニング研究のためのライブラリである。
Learn2learnは、その上にアルゴリズムとベンチマークの標準化されたインターフェースを構築する。
learn2learnを無償かつオープンソースライセンスでリリースすることで、メタ学習研究のための標準化されたソフトウェアに関するコミュニティを育成したいと思っています。
論文 参考訳(メタデータ) (2020-08-27T17:41:34Z) - 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) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。