使用自然语言处理预测 StackOverflow 问题与代码片段的编程语言
软件工程
2018-09-24 v1 机器学习
机器学习
摘要
Stack Overflow 是软件开发者中最流行的问答网站。作为知识共享与获取的平台，Stack Overflow 中发布的问题通常包含代码片段。Stack Overflow 依赖用户正确标记问题的编程语言，并简单假定问题内代码片段的编程语言与问题自身的标签相同。在本文中，我们提出一种分类器，使用自然语言处理（NLP）和机器学习（ML）预测 Stack Overflow 中发布问题的编程语言。该分类器通过结合问题标题、正文和代码片段的特征，在预测 24 种最流行编程语言时达到 91.1% 的准确率。我们还提出仅使用问题标题和正文的分类器，其准确率为 81.1%。最后，我们提出仅针对代码片段的分类器，准确率达 77.7%。这些结果表明，在问题的文本与代码片段组合上部署机器学习技术可提供最佳性能。这些结果也表明，识别若干行源代码的代码片段的编程语言是可行的。我们将 Java 和 SQL 两种编程语言的特征空间可视化，以识别 Stack Overflow 中对应这些语言的问题内部信息的某些特殊属性。
引用
@article{arxiv.1809.07954,
title = {Predicting the Programming Language of Questions and Snippets of StackOverflow Using Natural Language Processing},
author = {Kamel Alreshedy and Dhanush Dharmaretnam and Daniel M. German and Venkatesh Srinivasan and T. Aaron Gulliver},
journal= {arXiv preprint arXiv:1809.07954},
year = {2018}
}