CN109144498B - 一种面向对象实例化任务的api自动推荐方法及装置 - Google Patents

一种面向对象实例化任务的api自动推荐方法及装置 Download PDF

Info

Publication number
CN109144498B
CN109144498B CN201810778473.2A CN201810778473A CN109144498B CN 109144498 B CN109144498 B CN 109144498B CN 201810778473 A CN201810778473 A CN 201810778473A CN 109144498 B CN109144498 B CN 109144498B
Authority
CN
China
Prior art keywords
api
weighted
graph model
directed graph
instantiation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810778473.2A
Other languages
English (en)
Other versions
CN109144498A (zh
Inventor
吕晨
韩传波
吕蕾
郑向伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xiyu Jizhi Technology Co ltd
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201810778473.2A priority Critical patent/CN109144498B/zh
Publication of CN109144498A publication Critical patent/CN109144498A/zh
Application granted granted Critical
Publication of CN109144498B publication Critical patent/CN109144498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/34—Graphical or visual programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Stored Programmes (AREA)

Abstract

本发明公开了一种面向对象实例化任务的API自动推荐方法及装置。其中，面向对象实例化任务的API自动推荐方法，包括给定一组API集合，构建加权API有向图模型；确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点；遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合；从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端。本申请无需进行人工干预，可自动地完成对象实例化解的推荐。

Description

一种面向对象实例化任务的API自动推荐方法及装置
技术领域
本发明属于数据处理领域，尤其涉及一种面向对象实例化任务的API自动推荐方法及装置。
背景技术
自从计算机问世以来，为方便开发人员和提高生产效率，数量众多的各类软件已经被开发和部署。在这个信息化的时代，IT技术从业人员一直在寻找高效、便捷的软件开发技术。全世界几百万开发人员几十年的编程经验表明：重用现有的软件库和框架是一个切实可行的捷径，如Windows API,Java Development Kit(JDK)。但由于软件库中API(Application Programming Interface，应用程序编程接口)的数目巨大、功能灵活多变，重用这些API并不能信手拈来。
此外，现有的很多软件库和框架并没有足够多、足够好的说明文档，尤其是开源框架类库，其原因包括：(1)撰写良好的说明文档费时、困难；(2)相对编写文档而言，编写代码更受开发人员的重视；(3)项目截止日期的压力。另外，由于软件版本的更新，文档说明往往是陈旧的。故迫切需要方法和工具来应对和简化在重用软件库和框架时遇到的各种问题。这些问题之一是对象实例化(Object Instantiation)，已受到众多研究者的关注。其中，对象实例化(Object Instantiation)指的是：给定一对对象类型(Source，Destination)，返回从Source类型到达Destination类型的方法调用序列。
尽管每天都要面对的这种问题，可是一旦遇到陌生的软件库和框架，开发人员往往因为(1)阅读长篇累赘或过期的文档说明，而加重开发人员的工作负担；(2)即使利用功能强大的搜索引擎，如Google，进行对象实例化的结果也往往不令人满意。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种面向对象实例化任务的API自动推荐方法，其可以极大地减轻开发人员的负担，提高对象实例化的结果的满意度。
本发明的一种面向对象实例化任务的API自动推荐方法，包括：
给定一组API集合，构建加权API有向图模型；其中，加权API有向图模型中每个节点对应给定的API集合中一种API，加权API有向图模型中有向边表示有向边的两个节点所对应的API之间的依赖关系；加权API有向图模型中有向边上的权重表示被调用次数的正则化形式；
确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点；
遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合；
从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端。
进一步的，该方法还包括：从代码库中获取代码，并解析其包含的API。
进一步的，将遍历的所有路径按照权重之和从小到大排序，得到按照服务质量从优到劣排序的API调用序列。
该方案以路径的权重之和为判断服务质量的指标。路径的权重之和代表了API调用序列的总体使用频率，因此，API调用序列的总体使用频率越少，那么表示路径的服务质量越高。
进一步的，该方法还包括搜索加权API有向图模型中从所述起点到所述终点的关键路径，并在API调用序列候选集合中进行标注。
进一步的，确定权重之和、节点个数、边数和关键路径的长度这四个指标来评价所有路径的服务质量，基于多维数据集排序算法求出所有路径的度量值，其中，度量值越小，服务质量越高。
其中，节点个数、边数和关键路径的长度这三个指标越小，表示代码量越小，服务质量越高。
本发明的第二目的是提供一种面向对象实例化任务的API自动推荐装置，其可以极大地减轻开发人员的负担，提高对象实例化的结果的满意度。
本发明的一种面向对象实例化任务的API自动推荐装置，包括：
加权API有向图模型构建模块，其被配置为根据给定的一组API集合，构建加权API有向图模型；其中，加权API有向图模型中每个节点对应给定的API集合中一种API，加权API有向图模型中有向边表示有向边的两个节点所对应的API之间的依赖关系；加权API有向图模型中有向边上的权重表示被调用次数的正则化形式；
实例化任务对应点查找模块，其被配置为确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点；
API调用序列候选集合形成模块，其被配置为遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合；
API调用序列排序推荐模块，其被配置为从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端。
进一步的，在所述API调用序列排序推荐模块中，将遍历的所有路径按照权重之和从小到大排序，得到按照服务质量从优到劣排序的API调用序列。
进一步的，该推荐装置还包括关键路径生成模块，其被配置为搜索加权API有向图模型中从所述起点到所述终点的关键路径，并在API调用序列候选集合中进行标注。
进一步的，在所述API调用序列排序推荐模块中，确定权重之和、节点个数、边数和关键路径的长度这四个指标来评价所有路径的服务质量，基于多维数据集排序算法求出所有路径的度量值，其中，度量值越小，服务质量越高。
进一步的，所述推荐装置还包括：代码解析模块，其被配置为从代码库中获取代码，并解析其包含的API。
与现有技术相比，本发明的有益效果是：
(1)本发明能够自动化地完成对象实例化的工作，推荐相关方法调用序列给开发人员，开发人员可以进一步根据推荐的结果进行选择和修改，可以极大地减轻开发人员的负担。
(2)本发明无需进行人工干预，可自动地完成对象实例化解的推荐。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的一种面向对象实例化任务的API自动推荐方法实施例一流程图。
图2是本发明的一种面向对象实例化任务的API自动推荐方法实施例二流程图。
图3是满足对象实例化查询解。
图4是DAG及其关键路径。
图5是本发明的一种面向对象实例化任务的API自动推荐装置结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种面向对象实例化任务的API自动推荐方法流程图。
如图1所示，本发明的一种面向对象实例化任务的API自动推荐方法，包括：
步骤1：给定一组API集合，构建加权API有向图模型；其中，加权API有向图模型中每个节点对应给定的API集合中一种API，加权API有向图模型中有向边表示有向边的两个节点所对应的API之间的依赖关系；加权API有向图模型中有向边上的权重表示被调用次数的正则化形式。
其中，加权API有向图模型的英文全称为Weighted API Graph，简称为WAG。
例如：
在WAG中，节点集M表示API集合。
有向边集E表示方法匹配集合，该集合满足：
Figure BDA0001731977890000041
其中，mu和mv分别是边的头结点(head node)和尾节点(tail node),mv是mu的直接后继，mu对应的API匹配mv对应的API。
有向边上的权重(即API的QoS)，由加权函数ω：M→R给出，其中，R表示给定查询请求。
在WAG中，每条边被赋予一个新的元素tag，因此本发明将WAG视为标记图的一个实例。下面将给出标记图中关键概念的定义。
Inv＝{tag|ek＝(mu,mv,tagek)∈E}((1≤u≤n)∧(u≠v))表示一组以tag为标识的，且以mv为尾节点的边。Indegreev表示节点的mv的入度，即该节点所有入边的数量。Intagdegreev表示节点mv的入边中tag不同的边的数量。
定义Intagdegreev＝|Inv|，且有Intagdegreev<＝Indegreev。
Figure BDA0001731977890000053
表示一组以tag为标识的，且以mu为头节点的边。Outdegreeu表示节点的mu的出度，即该节点所有出边的数量。
Intagdegreev表示节点mu的出边中tag不同的边的数量。
定义Outtagdegreeu＝|Outu|，且有Outtagdegreeu<＝Outdegreeu。
需要指出，Inv也表示节点mv所有的前置条件，而Outu则表示节点mu能为其它节点提供的输入参数。
步骤2：确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点。
步骤3：遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合。
给定查询请求R和软件库中的API方法集合，加权函数ω：M→R表示从节点集合到实数集合的映射。找到一组方法调用序列SGAll表示所有满足R的解决方案。
SGAll定义了其蕴含的方法(m1,m2,…,mn)的一个调用结构，这些方法满足如下关系：
Figure BDA0001731977890000051
Figure BDA0001731977890000052
其中，I表示方法m的输入参数集合，o表示方法m的输出参数，R.S表示需求R的源类型集合，R.D表示需求R的目的类型集合
方法调用序列SGi的权重值是指SGi包含API的权重值的聚合值：ω(SGi)＝SGi.GQoS。
定义最优方法调用序列SG的GQoS为δ＝Min{ω(SGi)|SGi∈SGAll}。
其中，全局服务质量GQoS：表示方法调用序列中全部方法的服务质量按照特定规则计算的聚合值。
SGAll中的最优方法调用序列定义为权重ω(SGi)＝δ的任何方法调用序列。
在一实施例中，将遍历的所有路径按照权重之和从小到大排序，得到按照服务质量从优到劣排序的API调用序列。
该方案以路径的权重之和为判断服务质量的指标。路径的权重之和代表了API调用序列的总体使用频率，因此，API调用序列的总体使用频率越少，那么表示路径的服务质量越高。
该方法还包括搜索加权API有向图模型中从所述起点到所述终点的关键路径，并在API调用序列候选集合中进行标注。
对于DAG形式的子图包含一条特殊路径p，满足p.GQoS＝DAG.GQoS。
p被称为次DAG的关键路径。受此启发，算法首先生成关键路径；然后基于关键路径构建DAG图形式的解。
1)根据查询请求，执行一次从端点Source到端点Destination的前向搜索，找出两端点之间所有可达的节点。
2)将每个可达节点输入的最优提供者记录到可达前置表RPT中。
3)当前向搜索结束后，发起一次后向搜索过程Backward-KP求取最优关键路径。
节点输入的最优提供者即该节点所有可达前驱中，提供该输入且GQoS最小的前驱结点。
关于关键前驱即某节点所有输入的最优提供者中GQoS最大的那个最优提供者。
如图3所示，对于m4的两个输入C和D，它们对应的最优提供者分别为m4的前驱m2和m3。并且有：
(m2.GQoS＝4.5+3.7＝8.2)＞(m3.GQoS＝7.2)
由此可知，m2是m4的关键前驱。
如图4所示，关于关键路径概念即DAG中一串顺序相连的关键前驱构成的路径。其形式化定义如下：在WAG图G＝(M,E)中，给定从mi节点到mj节点的子图SG，则SG的关键路径为p＝＜mi,mi+1,...,mj＞,当且仅当p中节点满足：
π(mk+1)＝mk,i≤k≤j-1.
在另一实施例中，确定权重之和、节点个数、边数和关键路径的长度这四个指标来评价所有路径的服务质量，基于多维数据集排序算法求出所有路径的度量值，其中，度量值越小，服务质量越高。
其中，节点个数、边数和关键路径的长度这三个指标越小，表示代码量越小，服务质量越高。
基于多维数据集排序算法求出所有路径的度量值的计算过程为：
首先，计算DAG形式解的四个度量值(Criteria1–Criteria 4)，并分别根据不同的度量标准对结果进行排序(为提高效率，该过程可并行执行)。下面公式定义了DAG图形式解度量值的计算规则：
Figure BDA0001731977890000071
其中，Ck(k＝1,2,3,4)，表示相应的度量标准的得分。Max{Ck}和Min{Ck}分别表示所有结果中Ck度量标准的最大得分和最小得分。
其次，生成各度量标准的评分表(List1—List4)，并计算聚合值得到最终评分：
Figure BDA0001731977890000072
其中，权值ω满足
Figure BDA0001731977890000073
agg表示生成各度量标准的聚合值。
需要指出，关键路径不是一条随意选取的普通路径，它的GQoS与DAG的GQoS相同。
鉴于WAG图的特殊结构和新的节点可达性质，为提高搜索算法的效率，本发明未使用经典的图存储结构，如邻接表或邻接矩阵表示WAG，而是设计了新型的存储结构。
表1-表3所示DAG对应的部分数据结构，包括节点表，反向索引表和可达前置表。
表1节点表
NODE Input Output selfQoS GQoS Number Status
m1 A B 4.5 4.5 1 Disabled
M2 B C 3.7 8.2 1 Disabled
M3 A D 7.2 7.2 2 Disabled
表2倒排索引表
Input Nodes List
A m1,m3
B m2
C m4
D m4
表3可达前置表
Input GQoS provider
A 0 Source
B 4.5 m1
C 8.2 m2
D 7.2 m3
步骤4：从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端。
如图2所示，面向对象实例化任务的API自动推荐方法还包括：从代码库中获取代码，并解析其包含的API。
如图5所示，本发明的一种面向对象实例化任务的API自动推荐装置，包括：
(1)加权API有向图模型构建模块，其被配置为根据给定的一组API集合，构建加权API有向图模型；其中，加权API有向图模型中每个节点对应给定的API集合中一种API，加权API有向图模型中有向边表示有向边的两个节点所对应的API之间的依赖关系；加权API有向图模型中有向边上的权重表示被调用次数的正则化形式；
在所述API调用序列排序推荐模块中，将遍历的所有路径按照权重之和从小到大排序，得到按照服务质量从优到劣排序的API调用序列。
该推荐装置还包括关键路径生成模块，其被配置为搜索加权API有向图模型中从所述起点到所述终点的关键路径，并在API调用序列候选集合中进行标注。
在所述API调用序列排序推荐模块中，确定权重之和、节点个数、边数和关键路径的长度这四个指标来评价所有路径的服务质量，基于多维数据集排序算法求出所有路径的度量值，其中，度量值越小，服务质量越高。
(2)实例化任务对应点查找模块，其被配置为确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点；
(3)API调用序列候选集合形成模块，其被配置为遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合；
(4)API调用序列排序推荐模块，其被配置为从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端。
本发明的一种面向对象实例化任务的API自动推荐装置，还包括：代码解析模块，其被配置为从代码库中获取代码，并解析其包含的API。
本发明能够自动化地完成对象实例化的工作，推荐相关方法调用序列给开发人员，开发人员可以进一步根据推荐的结果进行选择和修改，可以极大地减轻开发人员的负担。
本发明无需进行人工干预，可自动地完成对象实例化解的推荐。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种面向对象实例化任务的API自动推荐方法，其特征在于，包括：
给定一组API集合，构建加权API有向图模型；其中，加权API有向图模型中每个节点对应给定的API集合中一种API，加权API有向图模型中有向边表示有向边的两个节点所对应的API之间的依赖关系；加权API有向图模型中有向边上的权重表示被调用次数的正则化形式；
确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点；
遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合；具体为：将遍历的所有路径按照权重之和从小到大排序，得到按照服务质量从优到劣排序的API调用序列；
从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端；
还包括搜索加权API有向图模型中从所述起点到所述终点的关键路径，并在API调用序列候选集合中进行标注；开发人员可以根据推荐的结果进行选择和修改。
2.如权利要求1所述的一种面向对象实例化任务的API自动推荐方法，其特征在于，确定权重之和、节点个数、边数和关键路径的长度这四个指标来评价所有路径的服务质量，基于多维数据集排序算法求出所有路径的度量值，其中，度量值越小，服务质量越高。
3.如权利要求1所述的一种面向对象实例化任务的API自动推荐方法，其特征在于，该方法还包括：从代码库中获取代码，并解析其包含的API。
4.一种面向对象实例化任务的API自动推荐装置，其特征在于，包括：
加权API有向图模型构建模块，其被配置为根据给定的一组API集合，构建加权API有向图模型；其中，加权API有向图模型中每个节点对应给定的API集合中一种API，加权API有向图模型中有向边表示有向边的两个节点所对应的API之间的依赖关系；加权API有向图模型中有向边上的权重表示被调用次数的正则化形式；
实例化任务对应点查找模块，其被配置为确定面向对象实例化任务的初始API和终止API，进而查找出加权API有向图模型中所对应的节点并分别作为起点和终点；
API调用序列候选集合形成模块，其被配置为遍历加权API有向图模型中从所述起点到所述终点的所有路径，形成API调用序列候选集合；
API调用序列排序推荐模块，其被配置为从API调用序列候选集合中，筛选出服务质量从优到劣排在预设位数之前的API调用序列并依次推荐给客户端，即将遍历的所有路径按照权重之和从小到大排序，得到按照服务质量从优到劣排序的API调用序列；
还包括关键路径生成模块，其被配置为搜索加权API有向图模型中从所述起点到所述终点的关键路径，并在API调用序列候选集合中进行标注，开发人员可以根据推荐的结果进行选择和修改。
5.如权利要求4所述的一种面向对象实例化任务的API自动推荐装置，其特征在于，在所述API调用序列排序推荐模块中，确定权重之和、节点个数、边数和关键路径的长度这四个指标来评价所有路径的服务质量，基于多维数据集排序算法求出所有路径的度量值，其中，度量值越小，服务质量越高。
6.如权利要求4所述的一种面向对象实例化任务的API自动推荐装置，其特征在于，所述推荐装置还包括：代码解析模块，其被配置为从代码库中获取代码，并解析其包含的API。
CN201810778473.2A 2018-07-16 2018-07-16 一种面向对象实例化任务的api自动推荐方法及装置 Active CN109144498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810778473.2A CN109144498B (zh) 2018-07-16 2018-07-16 一种面向对象实例化任务的api自动推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810778473.2A CN109144498B (zh) 2018-07-16 2018-07-16 一种面向对象实例化任务的api自动推荐方法及装置

Publications (2)

Publication Number Publication Date
CN109144498A CN109144498A (zh) 2019-01-04
CN109144498B true CN109144498B (zh) 2021-12-03

Family

ID=64800524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810778473.2A Active CN109144498B (zh) 2018-07-16 2018-07-16 一种面向对象实例化任务的api自动推荐方法及装置

Country Status (1)

Country Link
CN (1) CN109144498B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309235B (zh) * 2019-06-28 2022-01-07 京东科技控股股份有限公司 一种数据处理方法、装置、设备及介质
CN110489219B (zh) * 2019-08-05 2022-05-03 北京字节跳动网络技术有限公司 一种调度功能对象的方法、装置、介质和电子设备
CN113434397B (zh) * 2021-06-23 2022-04-08 平安银行股份有限公司 任务系统的测试方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354327A (zh) * 2015-11-26 2016-02-24 中山大学 一种基于大数据分析的接口api推荐方法及系统
US9396046B2 (en) * 2013-10-31 2016-07-19 International Business Machines Corporation Graph based data model for API ecosystem insights
CN106021366A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于异构信息的api标签推荐方法
CN106250391A (zh) * 2016-07-15 2016-12-21 浙江大学 一种基于服务聚合与功能信息的api推荐方法
CN107506414A (zh) * 2017-08-11 2017-12-22 武汉大学 一种基于长短期记忆网络的代码推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8549490B2 (en) * 2009-09-29 2013-10-01 International Business Machines Corporation Static code analysis for packaged application customization
US20120290374A1 (en) * 2011-05-13 2012-11-15 Dell Products L.P. Social Marketplace Process and Architecture
CN102331929A (zh) * 2011-06-27 2012-01-25 武汉大学 一种基于服务组合历史的服务分类和推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9396046B2 (en) * 2013-10-31 2016-07-19 International Business Machines Corporation Graph based data model for API ecosystem insights
CN105354327A (zh) * 2015-11-26 2016-02-24 中山大学 一种基于大数据分析的接口api推荐方法及系统
CN106021366A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于异构信息的api标签推荐方法
CN106250391A (zh) * 2016-07-15 2016-12-21 浙江大学 一种基于服务聚合与功能信息的api推荐方法
CN107506414A (zh) * 2017-08-11 2017-12-22 武汉大学 一种基于长短期记忆网络的代码推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"APISynth：A New Graph-Based API Recommender System";Chen Lv等;《ICSE Companion 2014: Companion Proceedings of the 36th International Conference on Software Engineering》;20140607;第596-597页 *
"一种基于新型图模型的API推荐系统";吕晨等;《计算机学报》;20141202;第38卷(第11期);第2174-2183页 *
Top K Query for QoS-Aware Automatic Service Composition;Wei Jiang等;《IEEE TRANSACTIONS ON SERVICES COMPUTING》;20130806;第7卷(第4期);第681-695页 *
基于关键路径法的软件过程控制模型;高晓等;《计算机应用》;20101001;第30卷(第10期);第2745-2753页 *

Also Published As

Publication number Publication date
CN109144498A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
Qi et al. Data-driven web APIs recommendation for building web applications
Branke et al. Hyper-heuristic evolution of dispatching rules: A comparison of rule representations
CN109144498B (zh) 一种面向对象实例化任务的api自动推荐方法及装置
US9251466B2 (en) Driving an interactive decision service from a forward-chaining rule engine
US20130097593A1 (en) Computer-Guided Holistic Optimization of MapReduce Applications
US9286032B2 (en) Automated software composition
US20080282108A1 (en) Program synthesis and debugging using machine learning techniques
US20130086578A1 (en) Virtual image construction
Gu et al. Codekernel: A graph kernel based approach to the selection of API usage examples
CN109313547B (zh) 用于cpu利用率和代码重构的查询优化器
JP2015508918A (ja) 冗長な消費者トランザクションルールのフィルタリング
WO2014020834A1 (ja) 単語潜在トピック推定装置および単語潜在トピック推定方法
CN111368206A (zh) 一种业务推荐方法、装置、服务器及存储介质
JP2007188144A (ja) ワークフロー管理システム
CN114238078A (zh) 一种基于高阶函数的程序间依赖关系抽取方法
JP5555238B2 (ja) ベイジアンネットワーク構造学習のための情報処理装置及びプログラム
CN116433799B (zh) 一种基于语义相似度和子图匹配的流程图生成方法和装置
JP5622880B2 (ja) アイテム推薦システム、アイテム推薦方法およびアイテム推薦プログラム
US12093686B2 (en) Code maintenance system
US11809862B2 (en) Related change analysis of multiple version control systems
CN115794884A (zh) 一种基于图摘要技术进行预计算子图查询的方法及装置
Lv et al. APISynth: A new graph-based API recommender system
CN114238576A (zh) 数据匹配方法、装置、计算机设备和存储介质
US11080266B2 (en) Graph functional dependency checking
Bohlouli et al. Grid-HPA: Predicting resource requirements of a job in the grid computing environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240531

Address after: Room 896, 2nd Floor, No. 25-1 Hongcao Road, Xuhui District, Shanghai, 200030

Patentee after: Shanghai Xiyu Jizhi Technology Co.,Ltd.

Country or region after: China

Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan

Patentee before: SHANDONG NORMAL University

Country or region before: China

TR01 Transfer of patent right