利用大语言模型（LLM）消除第三方库推荐中的人气偏差
软件工程
2025-01-20 v1
摘要
针对软件工程（RSSE）的推荐系统在根据开发人员的上下文提供相关建议方面发挥着关键作用，但会受到所谓的人气偏差的影响，即推荐可能与当前任务无关的流行项目的现象。特别是长尾效应会危害系统在准确性方面的性能，从而导致提供的推荐产生误报。基石模型是最先进的生成式AI模型，在多个SE任务中均实现了相关结果。本文旨在调查大型语言模型（LLM）解决第三方库（TPL）推荐系统中人气偏差的能力。我们进行消除研究，通过实验各种先进技术来缓解人气偏差，包括微调和人气惩罚机制。我们的发现表明，所考虑的LLM无法解决TPL推荐系统中的人气偏差，尽管微调和后处理惩罚机制有助于增加所提供推荐的整体多样性。此外，我们讨论了LLM在此背景下的局限性，并提出了解决TPL推荐系统中人气偏差的潜在改进措施，从而为此方向的额外实验铺平了道路。
引用
@article{arxiv.2501.10313,
title = {Addressing Popularity Bias in Third-Party Library Recommendations Using LLMs},
author = {Claudio Di Sipio and Juri Di Rocco and Davide Di Ruscio and Vladyslav Bulhakov},
journal= {arXiv preprint arXiv:2501.10313},
year = {2025}
}
备注
Accepted at the 1st International Workshop on Fairness in Software Systems, co-located with SANER2025