ROSF：结合信息检索与监督学习的代码片段推荐
软件工程
2017-03-07 v1
摘要
在实现不熟悉的编程任务时，开发者通常会搜索代码示例，从代码示例中学习 API 的使用模式，或者通过复制粘贴和修改来重用它们。为了提供高质量的代码示例，以往的研究提出了几种主要基于信息检索的代码片段推荐方法。在本文中，为了提供更好的推荐结果，我们提出了 ROSF（Recommending cOde Snippets with multi-aspect Features，结合多方面特征的代码片段推荐），一种结合信息检索和监督学习的新方法。在我们的方法中，我们基于两个阶段，即粗粒度搜索和细粒度重排序，为给定的自由形式查询推荐 Top-K 代码片段。首先，我们使用信息检索方法搜索代码片段语料库，生成代码片段候选集。其次，我们通过从训练集中学习到的预测模型，预测候选集中代码片段对应于不同相关性分数的概率值，根据这些概率值对这些候选代码片段进行重排序，并将最终结果推荐给开发者。我们进行了几项实验，在包含 921,713 个真实代码片段的大规模语料库中评估了我们的方法。结果表明，ROSF 是一种有效的代码片段推荐方法，在 Precision 上比 SOTA 方法高出 20%-41%，在 NDCG 上高出 13%-33%。
引用
@article{arxiv.1703.01446,
title = {ROSF: Leveraging Information Retrieval and Supervised Learning for Recommending Code Snippets},
author = {He Jiang and Liming Nie and Zeyi Sun and Zhilei Ren and Weiqiang Kong and Tao Zhang and Xiapu Luo},
journal= {arXiv preprint arXiv:1703.01446},
year = {2017}
}
备注
14 pages, 6 figures, IEEE Transactions on Services Computing, 2016