利用隐式反馈提升 API 推荐性能
软件工程
2021-08-03 v2 信息检索
摘要
开发者常常需要使用合适的 API 来高效编程，但从大量候选中确定所需的确切 API 通常是一项困难的任务。为减轻这一负担，人们提出了众多 API 推荐方法。然而，目前大多数可用的 API 推荐器不支持将用户反馈有效整合进推荐循环中。本文提出一个框架 BRAID（Boosting RecommendAtion with Implicit FeeDback，利用隐式反馈提升推荐），其利用学习排序（learning-to-rank）和主动学习技术来提升推荐性能。通过挖掘用户反馈信息，我们训练一个学习排序模型对推荐结果重新排序。此外，我们利用主动学习加速反馈学习过程。现有的基于查询的 API 推荐方法可接入 BRAID。我们选取三种最先进的 API 推荐方法作为基线，以 Hit@k（Top-k）、MAP 和 MRR 衡量的 BRAID 性能提升来展示其效果。实证实验表明，在可接受的开销下，与基线相比，随着反馈数据比例的增加，推荐性能稳步且显著地提升。
引用
@article{arxiv.2002.01264,
title = {Boosting API Recommendation with Implicit Feedback},
author = {Yu Zhou and Xinying Yang and Taolue Chen and Zhiqiu Huang and Xiaoxing Ma and Harald Gall},
journal= {arXiv preprint arXiv:2002.01264},
year = {2021}
}
备注
15 pages, 4 figures