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
- 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) - 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) - 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) - 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) - BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from
Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。
関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。
我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文 参考訳(メタデータ) (2022-06-28T19:46:29Z) - 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。