論文の概要: 1+1>2: Programming Know-What and Know-How Knowledge Fusion, Semantic
Enrichment and Coherent Application
- arxiv url: http://arxiv.org/abs/2207.05560v3
- Date: Mon, 7 Aug 2023 07:35:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 15:16:44.324608
- Title: 1+1>2: Programming Know-What and Know-How Knowledge Fusion, Semantic
Enrichment and Coherent Application
- Title（参考訳）: 1+1>2:プログラミングノウハウとノウハウの融合,セマンティックエンリッチメント,コヒーレント応用
- Authors: Qing Huang, Zhiqiang Yuan, Zhenchang Xing, Zhengkang Zuo, Changjing
Wang, Xin Xia
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.03107825087115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software programming requires both API reference (know-what) knowledge and
programming task (know-how) knowledge. Lots of programming know-what and
know-how knowledge is documented in text, for example, API reference
documentation and programming tutorials. To improve knowledge accessibility and
usage, several recent studies use Natural Language Processing (NLP) methods to
construct API know-what knowledge graph (API-KG) and programming task know-how
knowledge graph (Task-KG) from software documentation. Although being
promising, current API-KG and Task-KG are independent of each other, and thus
are void of inherent connections between the two types of knowledge. Our
empirical study on Stack Overflow questions confirms that only 36% of the API
usage problems can be answered by the know-how or the know-what knowledge
alone, while the rest questions require a fusion of both. Inspired by this
observation, we make the first attempt to fuse API-KG and Task-KG by API entity
linking. This fusion creates nine categories of API semantic relations and two
types of task semantic relations which are not present in the stand-alone
API-KG or Task-KG. According to the definitions of these new API and task
semantic relations, our approach dives deeper than the surface-level API
linking of API-KG and Task-KG, and infers nine categories of API semantic
relations from task descriptions and two types of task semantic relations with
the assistance of API-KG, which enrich the declaration or syntactic relations
in the current API-KG and Task-KG. Our fused and semantically-enriched API-Task
KG supports coherent API/Task-centric knowledge search by text or code queries.
- Abstract（参考訳）: ソフトウェアプログラミングは、API参照(ノウハウ)知識とプログラミングタスク(ノウハウ)知識の両方を必要とする。
多くのプログラミングノウハウとノウハウの知識は、例えばAPIリファレンスドキュメンテーションやプログラミングチュートリアルで文書化されている。
知識アクセシビリティと使用性を改善するために、近年の研究では、APIノウハウ知識グラフ(API-KG)とタスクノウハウ知識グラフ(Task-KG)をソフトウェアドキュメントから構築するために自然言語処理(NLP)メソッドを使用している。
有望ではあるが、現在のAPI-KGとTask-KGは互いに独立しており、2つのタイプの知識の間に固有のつながりがない。
Stack Overflowの質問に関する実証的研究では、ノウハウやノウハウの知識だけで答えられるのはAPI使用問題の36%に過ぎません。
この観察に触発されて、APIエンティティリンクによってAPI-KGとTask-KGを融合する最初の試みを行う。
この融合は、APIセマンティックリレーションの9つのカテゴリと、スタンドアロンAPI-KGまたはTask-KGに存在しない2つのタイプのタスクセマンティックリレーションを生成する。
これらの新しいAPIとタスクの意味関係の定義によると、我々のアプローチは、API-KGとTask-KGをリンクする表面レベルのAPIよりも深く掘り下げ、現在のAPI-KGとTask-KGの宣言や構文関係を強化するAPI-KGの助けを借りて、タスク記述と2種類のタスクの意味関係から9つのAPIの意味関係のカテゴリを推測する。
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。
関連論文リスト
- Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。
我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。
関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-09-24T09:19:11Z) - A Systematic Evaluation of Large Code Models in API Suggestion: When, Which, and How [53.65636914757381]
API提案は、現代のソフトウェア開発において重要なタスクである。
大規模コードモデル(LCM)の最近の進歩は、API提案タスクにおいて有望であることを示している。
論文 参考訳（メタデータ） (2024-09-20T03:12:35Z) - Contextual API Completion for Unseen Repositories Using LLMs [6.518508607788089]
本稿では,API補完タスクのためのコードリポジトリ内で,グローバルおよびローカルなコンテキスト情報を活用することで幻覚を緩和する新しい手法を提案する。
当社のアプローチは、ローカルAPI補完の最適化に重点を置いて、コード補完タスクの洗練に適合しています。
私たちのツールであるLANCEは、APIトークンの補完と会話APIの補完で、Copilotを143%、Copilotを142%上回っています。
論文 参考訳（メタデータ） (2024-05-07T18:22:28Z) - Are Human Rules Necessary? Generating Reusable APIs with CoT Reasoning and In-Context Learning [14.351476383642016]
そこで我々は,Stack OverflowコードスニペットのAPIzationを自動的に実行する,Code2APIという新しいアプローチを提案する。
Code2APIは、追加のモデルトレーニングや手作業のルールを必要としない。
他の外部ツールに頼ることなく、パーソナルコンピュータに簡単にデプロイできる。
論文 参考訳（メタデータ） (2024-05-06T14:22:17Z) - Pop Quiz! Do Pre-trained Code Models Possess Knowledge of Correct API
Names? [28.86399157983769]
CodeBERTやCodexのようなトレーニング済みのコードモデルの最近のブレークスルーは、さまざまな下流タスクにおいて、優れたパフォーマンスを示している。
最近の研究によると、最先端の事前訓練されたコードモデルでさえ、コード生成中に正しいAPIを提案することに苦労している。
論文 参考訳（メタデータ） (2023-09-14T15:46:41Z) - 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) - Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。
我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
論文 参考訳（メタデータ） (2022-10-17T18:02:52Z) - 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) - FACOS: Finding API Relevant Contents on Stack Overflow with Semantic and
Syntactic Analysis [6.637414972724093]
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。
論文 参考訳（メタデータ） (2021-11-14T04:07:45Z) - 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) - Connecting the Dots: A Knowledgeable Path Generator for Commonsense
Question Answering [50.72473345911147]
本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。
KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
論文 参考訳（メタデータ） (2020-05-02T03:53:21Z)
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。