論文の概要: A Systematic Literature Review on Task Recommendation Systems for Crowdsourced Software Engineering
- arxiv url: http://arxiv.org/abs/2407.09872v1
- Date: Sat, 13 Jul 2024 12:46:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 20:27:46.261012
- Title: A Systematic Literature Review on Task Recommendation Systems for Crowdsourced Software Engineering
- Title（参考訳）: クラウドソーシングソフトウェアエンジニアリングのためのタスク勧告システムに関する体系的文献レビュー
- Authors: Shashiwadana Nirmani, Mojtaba Shahin, Hourieh Khalajzadeh, Xiao Liu,
- Abstract要約: クラウドソースのSoftware Engineering CSEは、グローバルなオンライン労働力を活用して、ソフトウェア実践者にアウトソーシング作業を提供する。
ソフトウェア実践者にCSEタスクを推奨するレコメンデーションシステムの導入に関する研究が増えている。
- 参考スコア（独自算出の注目度）: 8.210764997771532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: Crowdsourced Software Engineering CSE offers outsourcing work to software practitioners by leveraging a global online workforce. However these software practitioners struggle to identify suitable tasks due to the variety of options available. Hence there have been a growing number of studies on introducing recommendation systems to recommend CSE tasks to software practitioners. Objective: The goal of this study is to analyze the existing CSE task recommendation systems, investigating their extracted data, recommendation methods, key advantages and limitations, recommended task types, the use of human factors in recommendations, popular platforms, and features used to make recommendations. Method: This SLR was conducted according to the Kitchenham and Charters guidelines. We used both manual and automatic search strategies without putting any time limitation for searching the relevant papers. Results: We selected 63 primary studies for data extraction, analysis, and synthesis based on our predefined inclusion and exclusion criteria. From the results of the data analysis, we classified the extracted data into 4 categories based on the data extraction source, categorized the proposed recommendation systems to fit into a taxonomy, and identified the key advantages and limitations of these systems. Our results revealed that human factors play a major role in CSE task recommendation. Further we identified five popular task types recommended, popular platforms, and their features used in task recommendation. We also provided recommendations for future research directions. Conclusion: This SLR provides insights into current trends gaps and future research directions in CSE task recommendation systems.
- Abstract（参考訳）: コンテキスト: クラウドソーシングソフトウェアエンジニアリング CSEは、グローバルなオンライン労働力を活用することで、ソフトウェア実践者にアウトソーシング作業を提供します。
しかしながら、これらのソフトウェア実践者は、利用可能なさまざまなオプションのために、適切なタスクを特定するのに苦労しています。
そのため、ソフトウェア実践者にCSEタスクを推奨するレコメンデーションシステムの導入に関する研究が増えている。
目的:本研究の目的は,既存のCSEタスクレコメンデーションシステムを分析し,抽出したデータ,レコメンデーション手法,重要なアドバンテージと制限,推奨タスクタイプ,レコメンデーションにおけるヒューマンファクタの使用,人気のあるプラットフォーム,レコメンデーションに使用される機能を分析することである。
方法: このSLRはKitchenham and Chartersのガイドラインに従って実施された。
関連論文の検索に時間制限を課すことなく,手動検索と自動検索を併用した。
結果: データ抽出, 分析, 合成に関する63の主研究を, 既定の包含基準と排他基準に基づいて選択した。
データ分析の結果,抽出したデータをデータ抽出源に基づいて4つのカテゴリに分類し,提案したレコメンデーションシステムを分類体系に分類し,これらのシステムの主な利点と限界を特定した。
以上の結果から,人的要因がCSEタスクレコメンデーションにおいて重要な役割を担っていることが明らかとなった。
さらに、推奨される5つの一般的なタスクタイプ、人気のあるプラットフォーム、およびタスクレコメンデーションで使用されるそれらの機能を特定した。
また,今後の研究の方向性についても提言した。
結論: このSLRはCSEタスクレコメンデーションシステムにおける現在のトレンドギャップと今後の研究方向性に関する洞察を提供する。
関連論文リスト
- Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。
これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。
主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
論文 参考訳（メタデータ） (2025-02-19T14:48:25Z) - A Comprehensive Survey on Retrieval Methods in Recommender Systems [32.1847120460637]
本調査では,レコメンデータシステムの重要かつ見落とされがちな検索段階について検討する。
高精度かつ効率的なパーソナライズされた検索を実現するために,既存の作業を3つの重要な領域にまとめる。
特定の企業における検索実践のケーススタディを通じて、現在の産業応用を取り上げる。
論文 参考訳（メタデータ） (2024-07-11T07:09:59Z) - Tapping the Potential of Large Language Models as Recommender Systems: A Comprehensive Framework and Empirical Analysis [91.5632751731927]
ChatGPTのような大規模言語モデルは、一般的なタスクを解く際、顕著な能力を示した。
本稿では,レコメンデーションタスクにおけるLLMの活用のための汎用フレームワークを提案し,レコメンデーションタスクとしてのLLMの機能に着目した。
提案手法は,提案手法が推薦結果に与える影響を解析し,提案手法とモデルアーキテクチャ,パラメータスケール,コンテキスト長について検討する。
論文 参考訳（メタデータ） (2024-01-10T08:28:56Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-28T22:26:50Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - A Survey on Large Language Models for Recommendation [77.91673633328148]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳（メタデータ） (2023-05-31T13:51:26Z) - Reinforcement Learning for Strategic Recommendations [32.73903761398027]
ストラテジックレコメンデーション(SR)とは、知的エージェントがユーザのシーケンシャルな行動や活動を観察し、いつ、どのように相互作用するかを決めて、ユーザとビジネスの両方の長期的な目的を最適化する問題を指す。
Adobeリサーチでは、関心点の推薦、チュートリアルレコメンデーション、マルチメディア編集ソフトウェアにおける次のステップガイダンス、ライフタイムバリューの最適化のための広告レコメンデーションなど、さまざまなユースケースでこのようなシステムを実装してきました。
ユーザのシーケンシャルな振る舞いをモデル化したり、いつ介入するかを決め、ユーザに迷惑をかけずにレコメンデーションを提示したり、オフラインでポリシーを評価するなど、これらのシステム構築には多くの研究課題がある。
論文 参考訳（メタデータ） (2020-09-15T20:45:48Z) - Developing a Recommendation Benchmark for MLPerf Training and Inference [16.471395965484145]
我々は、Theerferf Training and Inference Suitesの業界関連レコメンデーションベンチマークを定義することを目指している。
本稿では、パーソナライズされたレコメンデーションシステムのための望ましいモデリング戦略を合成する。
我々はレコメンデーションモデルアーキテクチャとデータセットの望ましい特徴を概説する。
論文 参考訳（メタデータ） (2020-03-16T17:13:00Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。