論文の概要: APIGen: Generative API Method Recommendation
- arxiv url: http://arxiv.org/abs/2401.15843v1
- Date: Mon, 29 Jan 2024 02:35:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 16:14:24.174512
- Title: APIGen: Generative API Method Recommendation
- Title(参考訳): APIGen: ジェネレーティブなAPIメソッド推奨
- Authors: Yujia Chen, Cuiyun Gao, Muyijie Zhu, Qing Liao, Yong Wang, Guoai Xu
- Abstract要約: APIGenは、拡張インコンテキスト学習(ICL)によるジェネレーティブAPIレコメンデーションアプローチである
APIGenは、語彙、構文、意味の観点から、プログラミングクエリに類似したポストを検索する。
推論プロセスにより、APIGenはクエリのプログラミング要件を満たすための推奨APIを提供する。
- 参考スコア(独自算出の注目度): 16.541442856821
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic API method recommendation is an essential task of code
intelligence, which aims to suggest suitable APIs for programming queries.
Existing approaches can be categorized into two primary groups: retrieval-based
and learning-based approaches. Although these approaches have achieved
remarkable success, they still come with notable limitations. The
retrieval-based approaches rely on the text representation capabilities of
embedding models, while the learning-based approaches require extensive
task-specific labeled data for training. To mitigate the limitations, we
propose APIGen, a generative API recommendation approach through enhanced
in-context learning (ICL). APIGen involves two main components: (1) Diverse
Examples Selection. APIGen searches for similar posts to the programming
queries from the lexical, syntactical, and semantic perspectives, providing
more informative examples for ICL. (2) Guided API Recommendation. APIGen
enables large language models (LLMs) to perform reasoning before generating API
recommendations, where the reasoning involves fine-grained matching between the
task intent behind the queries and the factual knowledge of the APIs. With the
reasoning process, APIGen makes recommended APIs better meet the programming
requirement of queries and also enhances the interpretability of results. We
compare APIGen with four existing approaches on two publicly available
benchmarks. Experiments show that APIGen outperforms the best baseline CLEAR by
105.8% in method-level API recommendation and 54.3% in class-level API
recommendation in terms of SuccessRate@1. Besides, APIGen achieves an average
49.87% increase compared to the zero-shot performance of popular LLMs such as
GPT-4 in method-level API recommendation regarding the SuccessRate@3 metric.
- Abstract(参考訳): 自動APIメソッドレコメンデーションは,クエリに適切なAPIを提案することを目的とした,コードインテリジェンスの重要なタスクである。
既存のアプローチは、検索ベースと学習ベースの2つの主要なグループに分類できる。
これらのアプローチは目覚ましい成功を収めましたが、それでも大きな制限があります。
検索ベースのアプローチは埋め込みモデルのテキスト表現能力に依存し、学習ベースのアプローチはトレーニングに広範囲なタスク固有のラベル付きデータを必要とする。
制限を緩和するために,拡張インコンテキスト学習(ICL)による生成APIレコメンデーションアプローチであるAPIGenを提案する。
APIGenには2つの主要なコンポーネントがある。
apigenは、lexical、syntactical、semantic perspectivesからプログラミングクエリの類似の投稿を検索し、iclのより有用な例を提供する。
(2)ガイドAPI勧告
APIGenは、大きな言語モデル(LLM)がAPIレコメンデーションを生成する前に推論を実行可能にする。
推論プロセスにより、APIGenは推奨APIをクエリのプログラミング要件に適合させ、結果の解釈可能性を高める。
APIGenを2つの公開ベンチマークで4つの既存アプローチと比較する。
実験によると、APIGenはメソッドレベルのAPIレコメンデーションで105.8%、クラスレベルのAPIレコメンデーションで54.3%、最高のベースラインCLEARを上回っている。
さらに、APIGenは、RuccessRate@3メトリックに関するメソッドレベルのAPIレコメンデーションにおいて、GPT-4のような人気のあるLLMのゼロショットパフォーマンスと比較して、平均49.87%向上している。
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) - A Solution-based LLM API-using Methodology for Academic Information Seeking [49.096714812902576]
SoAyは学術情報検索のためのソリューションベースのLLM API利用方法論である。
ソリューションが事前に構築されたAPI呼び出しシーケンスである場合、推論メソッドとしてソリューションを備えたコードを使用する。
その結果、最先端のLLM APIベースのベースラインと比較して34.58-75.99%のパフォーマンス改善が見られた。
論文 参考訳(メタデータ) (2024-05-24T02:44:14Z) - Compositional API Recommendation for Library-Oriented Code Generation [23.355509276291198]
我々は、粗粒度要求のためのAPIを推奨するために、"diide-and-conquer"戦略を採用するCAPIRを提案する。
RAPID(Documentationに基づく推奨API)とLOCG(Library-Oriented Code Generation)の2つの挑戦的なベンチマークを提示する。
これらのベンチマーク実験の結果,既存のベースラインと比較してCAPIRの有効性が示された。
論文 参考訳(メタデータ) (2024-02-29T18:27:27Z) - Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。
評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
論文 参考訳(メタデータ) (2023-12-01T19:53:23Z) - 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) - 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) - Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。
BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。
非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
論文 参考訳(メタデータ) (2023-05-10T16:40:52Z) - On the Effectiveness of Pretrained Models for API Learning [8.788509467038743]
開発者は、Excelファイルのパース、行ごとのテキストファイルの読み書きなど、特定の機能を実装するためにAPIを使うことが多い。
開発者は、より高速でクリーンな方法でアプリケーションを構築するために、自然言語クエリに基づいた自動API使用シーケンス生成の恩恵を受けることができる。
既存のアプローチでは、クエリが与えられたAPIシーケンスの検索や、RNNベースのエンコーダデコーダを使用してAPIシーケンスを生成するために、情報検索モデルを使用している。
論文 参考訳(メタデータ) (2022-04-05T20:33:24Z) - Embedding Code Contexts for Cryptographic API Suggestion:New
Methodologies and Comparisons [9.011910726620536]
APIレコメンデーションのための新しいニューラルネットワークベースのアプローチであるMulti-HyLSTMを提案する。
プログラム分析を使用して、APIの埋め込みと推奨をガイドします。
245のテストケースの分析では、商用ツールのCodotaと比較して、トップ1の推奨精度は88.98%に達した。
論文 参考訳(メタデータ) (2021-03-15T22:27:57Z) - 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)
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。