論文の概要: WARBERT: A Hierarchical BERT-based Model for Web API Recommendation

• arxiv url: http://arxiv.org/abs/2509.23175v1
• Date: Sat, 27 Sep 2025 08:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.086179
• Title: WARBERT: A Hierarchical BERT-based Model for Web API Recommendation
• Title（参考訳）: WARBERT: Web APIレコメンデーションのための階層的なBERTベースのモデル
• Authors: Zishuo Xu, Yuhong Gu, Dezhong Yao,
• Abstract要約: WARBERTは、Web APIレコメンデーションのための階層的なBERTベースのモデルである。 WARBERTはデュアルコンポーネント機能融合とアテンション比較を利用して、APIとマッシュアップ記述の正確な意味表現を抽出する。 WARBERTは既存のソリューションと比較して最大11.7%の改善を実現している。
• 参考スコア（独自算出の注目度）: 4.591441870423474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the emergence of Web 2.0 and microservices architecture, the number of Web APIs has increased dramatically, further intensifying the demand for efficient Web API recommendation. Existing solutions typically fall into two categories: recommendation-type methods, which treat each API as a label for classification, and match-type methods, which focus on matching mashups through API retrieval. However, three critical challenges persist: 1) the semantic ambiguities in comparing API and mashup descriptions, 2) the lack of detailed comparisons between the individual API and the mashup in recommendation-type methods, and 3) time inefficiencies for API retrieval in match-type methods. To address these challenges, we propose WARBERT, a hierarchical BERT-based model for Web API recommendation. WARBERT leverages dual-component feature fusion and attention comparison to extract precise semantic representations of API and mashup descriptions. WARBERT consists of two main components: WARBERT(R) for Recommendation and WARBERT(M) for Matching. Specifically, WAR-BERT(R) serves as an initial filter, narrowing down the candidate APIs, while WARBERT(M) refines the matching process by calculating the similarity between candidate APIs and mashup. The final likelihood of a mashup being matched with an API is determined by combining the predictions from WARBERT(R) and WARBERT(M). Additionally, WARBERT(R) incorporates an auxiliary task of mashup category judgment, which enhances its effectiveness in candidate selection. Experimental results on the ProgrammableWeb dataset demonstrate that WARBERT outperforms most existing solutions and achieves improvements of up to 11.7% compared to the model MTFM (Multi-Task Fusion Model), delivering significant enhancements in accuracy and effiency.
• Abstract（参考訳）: Web 2.0とマイクロサービスアーキテクチャの出現により、Web APIの数は劇的に増加し、効率的なWeb APIレコメンデーションの需要がさらに高まった。 既存のソリューションは通常、各APIを分類のラベルとして扱うレコメンデーション型メソッドと、API検索によるマッシュアップのマッチングに焦点を当てたマッチ型メソッドの2つのカテゴリに分類される。 しかし、3つの重要な課題が続いている。 1)APIとマッシュアップ記述の比較における意味的曖昧さ 2)レコメンデーション型手法における個別APIとマッシュアップの詳細な比較の欠如 3)マッチング方式におけるAPI検索の時間的非効率性について検討した。 これらの課題に対処するために、Web APIレコメンデーションのための階層的なBERTベースのモデルであるWARBERTを提案する。 WARBERTはデュアルコンポーネント機能融合とアテンション比較を利用して、APIとマッシュアップ記述の正確な意味表現を抽出する。 WARBERT は Recommendation のWARBERT(R) と Matching のWARBERT(M) の2つの主要コンポーネントから構成される。 具体的には、WAR-BERT(R)が初期フィルタとして機能し、候補APIを絞り込む一方、WARBERT(M)は候補APIとマッシュアップの類似性を計算してマッチングプロセスを洗練する。 WARBERT(R)とWARBERT(M)との予測を組み合わせることにより、APIにマッチするマッシュアップの最終的な可能性を決定する。 さらに、WARBERT(R)はマッシュアップカテゴリー判断の補助的タスクを導入し、候補選択の有効性を高める。 ProgrammableWebデータセットの実験結果によると、WARBERTは既存のソリューションよりも優れており、MTFM(Multi-Task Fusion Model)モデルと比較して最大11.7%の改善を実現しており、精度と効率が大幅に向上している。

関連論文リスト

• Generating Accurate OpenAPI Descriptions from Java Source Code [42.02451453254076]
  AutoOASは、公開されたRESTエンドポイントパス、対応するHTTPメソッド、HTTPレスポンスコード、およびJavaソースコードから直接要求パラメータとレスポンスのデータモデルを検出する。 手動で作成した地上の真実に基づいて、AutoOASはRESTエンドポイントパス、HTTPメソッド、パラメータ、レスポンスを識別する際の最高精度とリコールを達成した。
  論文  参考訳（メタデータ） (2024-10-31T12:34:35Z)
• MCBA: A Matroid Constraint-Based Approach for Composite Service Recommendation Considering Compatibility and Diversity [9.17544142889514]
  本稿では,複合サービスレコメンデーションのためのMatroid Constraint-Based Approach (MCBA)を提案する。 第1段階では、API合成問題は最小グループスタイナーツリー(M GST)問題として定式化される。 第2段階では, 分割マトロイド制約(MMR-PMC)の下でのMarginal Relevance法を用いて, 推薦の多様性を確保する。
  論文  参考訳（メタデータ） (2024-09-03T04:46:02Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• Beyond Two-Tower Matching: Learning Sparse Retrievable Cross-Interactions for Recommendation [80.19762472699814]
  2-towerモデルは、産業アプリケーションに広くデプロイされている推奨のための一般的なマッチングフレームワークである。 機能間相互作用の制限と、オンラインサービスにおける精度の低下など、主な課題が2つある。 我々は,高度な機能相互作用だけでなく,効率的な検索もサポートするSparCodeという新しいマッチングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:13:36Z)
• 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)
• Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
  現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。 現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。 我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
  論文  参考訳（メタデータ） (2023-09-08T20:27:05Z)
• 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)
• Diversity-aware Web APIs Recommendation with Compatibility Guarantee [5.9601266637512085]
  多様性を意識した互換性駆動型Web APIレコメンデーションアプローチであるDivCARを提案する。 DivCARは、事前構築された相関グラフ上にランダムウォークサンプリング手法を用いて、多様な相関グラフを生成する。 多様な相関グラフを用いて、互換性のあるWeb APIレコメンデーション問題を最小グループSteiner木探索問題としてモデル化する。
  論文  参考訳（メタデータ） (2021-08-10T00:20:34Z)
• FrugalMCT: Efficient Online ML API Selection for Multi-Label Classification Tasks [27.35907550712252]
  OCRなどのマルチラベル分類タスクは、サービス産業としての機械学習の成長の主要な焦点です。 ユーザの予算を尊重しつつ、異なるデータに適応的に利用するAPIをオンライン方式で選択する原則化されたフレームワークであるFrugalMCTを提案する。 マルチラベル画像分類、シーンテキスト認識、名前付きエンティティ認識などのタスクに対して、Google、Microsoft、Amazon、IBM、TencentなどのML APIを使用した体系的な実験を行う。
  論文  参考訳（メタデータ） (2021-02-18T02:59:58Z)
• AutoRC: Improving BERT Based Relation Classification Models via Architecture Search [50.349407334562045]
  BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。 最適なアーキテクチャとは何かという合意は得られない。 BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
  論文  参考訳（メタデータ） (2020-09-22T16:55:49Z)

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。