Fugu-MT 論文翻訳(概要): Towards Code Summarization of APIs Based on Unofficial Documentation Using NLP Techniques

論文の概要: Towards Code Summarization of APIs Based on Unofficial Documentation Using NLP Techniques

arxiv url: http://arxiv.org/abs/2208.06318v3
Date: Mon, 6 Nov 2023 21:03:08 GMT
ステータス: 処理完了
システム内更新日: 2023-11-08 20:08:53.213641
Title: Towards Code Summarization of APIs Based on Unofficial Documentation Using NLP Techniques
Title（参考訳）: NLP技術を用いた非公式ドキュメンテーションに基づくAPIのコード要約に向けて
Authors: AmirHossein Naghshzan
Abstract要約: 場合によっては、公式のドキュメントは必要な情報を得るための効率的な方法ではありません。 NLP技術を用いた非公式なドキュメンテーションを利用して,APIやメソッドの要約を生成する手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Each programming language comes with official documentation to guide developers with APIs, methods, and classes. However, in some cases, official documentation is not an efficient way to get the needed information. As a result, developers may consult other sources (e.g., Stack Overflow, GitHub) to learn more about an API, its implementation, usage, and other information that official documentation may not provide. In this research, we propose an automatic approach to generate summaries for APIs and methods by leveraging unofficial documentation using NLP techniques. Our findings demonstrate that the generated summaries are competitive, and can be used as a complementary source for guiding developers in software development and maintenance tasks.
Abstract（参考訳）: 各プログラミング言語には、API、メソッド、クラスで開発者をガイドする公式ドキュメントが付属している。しかし、いくつかのケースでは、公式ドキュメントは必要な情報を得るための効率的な方法ではない。結果として、開発者は他のソース(Stack OverflowやGitHubなど)を参照して、API、実装、使用方法、公式ドキュメントが提供できない可能性のある他の情報などを学ぶことができる。本研究では,NLP技術を用いた非公式なドキュメンテーションを利用して,APIやメソッドの要約を生成する手法を提案する。この結果から, 生成した要約は競争力があり, ソフトウェア開発やメンテナンスタスクにおいて, 開発者を導くための補完的情報源として利用できることがわかった。

関連論文リスト

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)
FANTAstic SEquences and Where to Find Them: Faithful and Efficient API Call Generation through State-tracked Constrained Decoding and Reranking [57.53742155914176]
APIコール生成は、大規模言語モデルのツール使用能力の基盤となっている。既存の教師付きおよびコンテキスト内学習アプローチは、高いトレーニングコスト、低いデータ効率、APIドキュメントとユーザの要求に反する生成APIコールに悩まされる。本稿では,これらの制約に対処するため,FANTASEと呼ばれる出力側最適化手法を提案する。
論文参考訳（メタデータ） (2024-07-18T23:44:02Z)
SpeCrawler: Generating OpenAPI Specifications from API Documentation Using Large Language Models [8.372941103284774]
SpeCrawlerは、さまざまなAPIドキュメントからOpenAPI仕様を生成する包括的なシステムである。本稿では,実証的証拠とケーススタディに支えられたSpeCrawlerの方法論について考察する。
論文参考訳（メタデータ） (2024-02-18T15:33:24Z)
Revolutionizing API Documentation through Summarization [0.0]
APIドキュメンテーションは長く、ナビゲートが難しいため、Stack Overflowのような非公式なソースを探す必要がある。 BERTopicと抽出要約を用いて,簡潔で情報性の高いAPI要約を自動的に生成する。これらの要約には、Stack Overflowに関する豊富な知識から得られた、一般的な使用法、一般的な開発者問題、潜在的なソリューションといった重要な洞察が含まれている。
論文参考訳（メタデータ） (2024-01-21T01:18:08Z)
Leveraging Deep Learning for Abstractive Code Summarization of Unofficial Documentation [1.1816942730023887]
本稿では,StackOverflowで議論されているAPIの要約を生成するために,BARTアルゴリズムを用いた自動アプローチを提案する。 ROUGEとBLEUのメトリクスを用いて,人間生成サマリーのオラクルを構築し,それに対するアプローチを評価した。その結果, ディープラーニングアルゴリズムを用いることで, 要約の質が向上し, 精度が平均で57パーセント向上することが示唆された。
論文参考訳（メタデータ） (2023-10-23T15:10:37Z)
Enhancing API Documentation through BERTopic Modeling and Summarization [0.0]
本稿では、アプリケーションプログラミングインタフェース(API)ドキュメントの解釈の複雑さに焦点を当てる。公式APIドキュメンテーションは、開発者にとって最も重要な情報ソースであるが、広くなり、ユーザフレンドリ性に欠けることが多い。我々の新しいアプローチは、トピックモデリングと自然言語処理(NLP)にBERTopicの長所を利用して、APIドキュメントの要約を自動的に生成する。
論文参考訳（メタデータ） (2023-08-17T15:57:12Z)
Private-Library-Oriented Code Generation with Large Language Models [52.73999698194344]
本稿では,大規模言語モデル(LLM)をプライベートライブラリのコード生成に活用することに焦点を当てる。プログラマがプライベートコードを書く過程をエミュレートする新しいフレームワークを提案する。 TorchDataEval、TorchDataComplexEval、MonkeyEval、BeatNumEvalの4つのプライベートライブラリベンチマークを作成しました。
論文参考訳（メタデータ） (2023-07-28T07:43:13Z)
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)
DocCoder: Generating Code by Retrieving and Reading Docs [87.88474546826913]
コードマニュアルとドキュメントを明示的に活用するアプローチであるDocCoderを紹介します。我々のアプローチは一般的に、どんなプログラミング言語にも適用でき、基礎となるニューラルモデルとは無関係です。
論文参考訳（メタデータ） (2022-07-13T06:47:51Z)
ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-03-15T08:25:08Z)
Leveraging Unsupervised Learning to Summarize APIs Discussed in Stack Overflow [1.8047694351309207]
本稿では,Stack Overflowで議論されているAndroid APIメソッドを要約する手法を提案する。提案手法では,APIメソッドの名称を入力として,そのAPIメソッドに関するStack Overflowの議論に基づいて,自然言語の要約を生成する。我々は16人のAndroid開発者が自動生成された要約の品質を評価し、それらを公式のAndroidドキュメントと比較する調査を実施した。
論文参考訳（メタデータ） (2021-11-27T18:49:51Z)

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。