深度 API 学习再探
软件工程
2022-05-04 v1
摘要
理解正确的 API 使用序列是程序员在使用不熟悉库时最重要的任务之一。然而，程序员常因 API 文档质量差或基于查询的搜索策略低效而难以找到合适信息。为助解决此问题，研究者提出多种方法，根据给定的、代表程序员信息需求的自然语言查询来推荐 API 序列。在此类工作中，Gu 等人采用深度学习方法，特别是 RNN 编码器-解码器架构来完成该任务，并在 Java 常见 API 上取得可喜结果。本文旨在复现其结果并将相同方法应用于 Python 的 API。此外，我们将性能与较新的基于 Transformer 的方法（即 CodeBERT）在同一任务上比较。实验显示，在仔细进行数据清洗后性能指标明显下降。得益于大量源代码文件的预训练与有效编码技术，CodeBERT 在很大程度上优于 Gu 等人的方法。
引用
@article{arxiv.2205.01254,
title = {Deep API Learning Revisited},
author = {James Martin and Jin L. C. Guo},
journal= {arXiv preprint arXiv:2205.01254},
year = {2022}
}
备注
10 pages, 6 figures. This paper is accepted at ICPC 2022 (the 30th IEEE/ACM International Conference on Program Comprehension)