論文の概要: WAR-Re: Web API Recommendation with Semantic Reasoning

• arxiv url: http://arxiv.org/abs/2511.05820v1
• Date: Sat, 08 Nov 2025 03:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.597313
• Title: WAR-Re: Web API Recommendation with Semantic Reasoning
• Title（参考訳）: WAR-Re:セマンティック推論によるWeb APIレコメンデーション
• Authors: Zishuo Xu, Dezhong Yao, Yao Wan,
• Abstract要約: WAR-Re は LLM ベースの Web API レコメンデーションモデルである。 WAR-Reは、推奨精度で最先端のベースラインモデルよりも最大21.59%向上している。
• 参考スコア（独自算出の注目度）: 8.893397992271396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of cloud computing, the number of Web APIs has increased dramatically, further intensifying the demand for efficient Web API recommendation. Despite the demonstrated success of previous Web API recommendation solutions, two critical challenges persist: 1) a fixed top-N recommendation that cannot accommodate the varying API cardinality requirements of different mashups, and 2) these methods output only ranked API lists without accompanying reasons, depriving users of understanding the recommendation. To address these challenges, we propose WAR-Re, an LLM-based model for Web API recommendation with semantic reasoning for justification. WAR-Re leverages special start and stop tokens to handle the first challenge and uses two-stage training: supervised fine-tuning and reinforcement learning via Group Relative Policy Optimization (GRPO) to enhance the model's ability in both tasks. Comprehensive experimental evaluations on the ProgrammableWeb dataset demonstrate that WAR-Re achieves a gain of up to 21.59\% over the state-of-the-art baseline model in recommendation accuracy, while consistently producing high-quality semantic reasons for recommendations.
• Abstract（参考訳）: クラウドコンピューティングの発展に伴い、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。 以前のWeb APIレコメンデーションソリューションが実証された成功にもかかわらず、2つの重要な課題が続いている。 1) 異なるマッシュアップの異なるAPIの基準要件を満たすことができない固定されたトップNレコメンデーション 2) これらの手法は, ユーザの推奨事項の理解を損なうことなく, ランク付けされたAPIリストのみを出力する。 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LLMベースのモデルであるWAR-Reを提案する。 WAR-Reは、最初の課題に対処するために特別な開始と停止トークンを活用し、2段階のトレーニングを使用する: 両方のタスクにおけるモデルの能力を高めるために、グループ相対ポリシー最適化(GRPO)を通じて微調整と強化学習を監督する。 ProgrammableWebデータセットに関する総合的な実験的評価は、WAR-Reが推奨精度において最先端のベースラインモデルよりも最大21.59 %向上し、常に高品質なセマンティックな理由を生み出していることを示している。

関連論文リスト

• WARBERT: A Hierarchical BERT-based Model for Web API Recommendation [4.591441870423474]
  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。
  論文  参考訳（メタデータ） (2025-09-27T08:09:41Z)
• Curriculum Approximate Unlearning for Session-based Recommendation [56.86137487298901]
  セッションベースレコメンデーションのための近似アンラーニング(英: Approximate unlearning)とは、特定のトレーニングサンプルの影響をリトレーニングせずにレコメンダから排除することを指す。 グラディエント・アセント(GA)は、近似的アンラーニングを行うための代表的な方法である。 本稿では,セッションベースの推薦に適合した教育用アンラーニングフレームワークであるCAUを紹介する。
  論文  参考訳（メタデータ） (2025-08-21T05:52:28Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract) [73.57710917145212]
  ランク付け学習は、入力クエリに基づいて関連するWebページを優先順位付けするために、Web検索で広く使われている。 本稿では,これらの課題に対処するために,経験的 UlineSemi-uline Supervised ulinePre-trained (GS2P) モデルを提案する。 我々は,公開データセットと大規模検索エンジンから収集した実世界のデータセットの両方に対して,大規模なオフライン実験を行う。
  論文  参考訳（メタデータ） (2024-09-25T03:39:14Z)
• APIGen: Generative API Method Recommendation [16.541442856821]
  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。
  論文  参考訳（メタデータ） (2024-01-29T02:35:42Z)
• 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)
• 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)

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。