面向 API 方面分析的对比学习
软件工程
2023-08-15 v2 人工智能
计算与语言
摘要
我们提出一种新方法——CLAA——用于 API 评论中的 API 方面检测，其利用以有监督对比损失为目标函数训练的 transformer 模型。我们通过性能与影响分析评估 CLAA。性能分析上，我们使用从 Stack Overflow 收集的开发者讨论基准数据集，并将结果对比于最先进 transformer 模型所得。实验表明对比学习能显著提升 transformer 模型在检测性能、安全性、可用性及文档等方面上的表现。影响分析上，我们开展实证与开发者研究。在随机选取并人工标注的 200 条在线评论中，CLAA 达 92% 准确率，而 SOTA 基线为 81.5%。根据涉及 10 名参与者的开发者研究，使用“Stack Overflow + CLAA”提升了 API 选择时的准确率与信心。复现包：https://github.com/disa-lab/Contrastive-Learning-API-Aspect-ASE2023
引用
@article{arxiv.2307.16878,
title = {Contrastive Learning for API Aspect Analysis},
author = {G. M. Shahariar and Tahmid Hasan and Anindya Iqbal and Gias Uddin},
journal= {arXiv preprint arXiv:2307.16878},
year = {2023}
}
备注
Accepted in the 38th IEEE/ACM International Conference on Automated Software Engineering (ASE2023)