CN110806861A - 一种结合用户反馈信息的api推荐方法及终端 - Google Patents

一种结合用户反馈信息的api推荐方法及终端 Download PDF

Info

Publication number
CN110806861A
CN110806861A CN201910957514.9A CN201910957514A CN110806861A CN 110806861 A CN110806861 A CN 110806861A CN 201910957514 A CN201910957514 A CN 201910957514A CN 110806861 A CN110806861 A CN 110806861A
Authority
CN
China
Prior art keywords
api
feedback
query
result list
list
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.)
Granted
Application number
CN201910957514.9A
Other languages
English (en)
Other versions
CN110806861B (zh
Inventor
周宇
杨忻莹
陈韬略
黄志球
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910957514.9A priority Critical patent/CN110806861B/zh
Publication of CN110806861A publication Critical patent/CN110806861A/zh
Application granted granted Critical
Publication of CN110806861B publication Critical patent/CN110806861B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种结合用户反馈信息的API推荐方法及终端，包括步骤如下：输入用户查询语句，用API推荐系统对该查询语句进行推荐，得到API推荐结果列表；对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取；根据排序学习和主动学习技术对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表；用户在重新排序后的API推荐结果列表中选择可用于解决该查询语句的API，与该查询语句一起形成反馈数据并放入反馈列表中保存。与现有技术相比，本发明利用了反馈信息，使其能获得更好的排序结果。

Description

一种结合用户反馈信息的API推荐方法及终端
技术领域
本发明属于代码推荐技术领域，具体涉及一种结合用户反馈信息的API推荐方法及终端。
背景技术
应用程序编程接口(API)在编程中扮演着重要的角色。在API的帮助下，开发人员可以更有效地执行编程任务。但是，由于库中有大量API，开发人员很难熟悉所有，并为特定的开发任务选择正确的API。
因此，我们展开相关的研究工作，主要致力于为用户查询提供最相关的API来处理编程任务。现有与代码推荐相关的研究工作大多数都是基于文本相似度来对用户查询语句进行推荐，有的利用了查询语句与源代码上下文信息的关联程度，有的利用了查询语句与API相关信息的相似度。这些研究均着重使用与API相关的文本信息，且利用相似度来对结果进行排序并推荐。这些API推荐任务利用查询语句关键字在海量信息中缩小搜索范围，提高推荐效率。然而，在许多情况下，由于文本的差异，正确的API信息与查询并不相似。比如下述查询语句：Make a negative number positive，该查询语句可用java.lang.Math.abs来处理，该API的描述信息为：return the absolute value of the argument,resolvingthe problem perfectly。可以看出，该查询语句与API及其描述信息并不相似，这种情况下，单纯利用文本相似度并不能解决类似的问题。
因此，本发明拟引入反馈数据对现有API推荐任务进行优化。反馈数据常见于其他领域的推荐任务中，并且很大程度上提高了推荐系统的准确性。比如视频系统中，用户浏览历史记录可视为反馈数据；而购物系统中的反馈数据通常是指产品浏览记录，这些反馈数据能良好反应用户对不同产品的喜好，故能对推荐系统进行优化。然而，代码推荐与其他推荐系统有些不同，在API推荐系统中，用户一旦在API推荐结果列表中选择了一个API，就意味着该API有助于用户解决查询中提到的问题。因此，我们认为用户在API推荐结果列表中选择的API是查询的正确答案。我们将用户在每次查询中选择的API与该查询语句一起记为反馈信息，并存入反馈列表中。
将反馈信息与文本相似度信息相结合，增强推荐的可靠性。此外，本发明引入排序学习和主动学习算法，利用反馈信息和API信息提取特征，训练排序模型，利用模型对查询语句进行预测并根据预测值进行重排序，对推荐任务进行优化。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种结合用户反馈信息的API推荐方法及终端，以解决现有技术中推荐结果列表的相关度和排序不对应，Top1准确度有待提高的问题；本发明利用用户反馈提高API推荐的准确性。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种结合用户反馈信息的API推荐方法，包括步骤如下：
(1)输入用户查询语句，对该查询语句进行API推荐，得到关于查询的API推荐结果列表；
(2)对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取：遍历反馈列表，若反馈列表中存在与查询语句相似的反馈语句，并且可用于正确处理该反馈语句的对应的API也出现在API推荐结果列表中，则将该反馈语句作为该推荐API的反馈信息，并与API推荐结果列表中的对应API的描述信息一起进行特征提取；
(3)根据排序学习和主动学习方法对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表；
(4)在重新排序后的API推荐结果列表中选择可用于处理该查询语句的API，与上述查询语句一起形成反馈数据并放入反馈列表中保存。
优选地，所述步骤(2)中对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取具体包括：对反馈列表的查询语句进行遍历，计算当前查询语句与反馈列表中查询语句的相似度，计算公式如下：
其中，querySim(Q1,Q2)表示两个查询语句Q1和Q2之间的相似度；wordSim(Q1,Q2)表示查询Q1中所有单词与查询Q2之间的相似度；同理，wordSim(Q2,Q1)表示查询Q2中所有单词与Q1之间的相似度：
Figure BDA0002227815670000022
Figure BDA0002227815670000023
其中，ω1表示查询Q1中的单词，ω2表示查询Q2中的单词；idf(ω1)表示单词ω1的idf值，idf(ω2)表示单词ω2的idf值；将单词ω1与单词ω2的相似度记为sim(ω1,ω2)，simmax(ω1,Q2)是单词ω1与查询Q2中单词相似度的最大值，即sim(ω1,ω2)的最大值；同理，将单词ω2与单词ω1的相似度记为sim(ω2,ω1)，simmax(ω2,Q1)是单词ω2与查询Q1中单词相似度的最大值，即sim(ω2,ω1)的最大值；sim(ω1,ω2)和sim(ω2,ω1)的计算公式如下：
Figure BDA0002227815670000031
其中，表示单词ω1的向量，
Figure BDA0002227815670000034
表示单词ω2的向量，
Figure BDA0002227815670000035
表示单词ω1的向量的模，
Figure BDA0002227815670000036
表示单词ω2的向量的模。
若相似度阈值达到0.7，则认为该反馈查询与当前查询相似，在推荐结果中找到该反馈查询的对应的API，并将查询语句的相似度记作该API的反馈特征；其余特征从API及其相关信息中提取，共同构成特征向量。
优选地，所述步骤(3)具体包括：根据排序学习和主动学习方法对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表：最终的排列顺序由两部分构成，一是由排序学习方法对API推荐结果列表进行预测并排序，二是由主动学习方法对API推荐结果列表进行预测并排序，最后对两组预测值合并后的结果进行排序并展示。
优选地，所述步骤(3)中利用排序学习方法对API推荐结果列表进行重新排列具体包括：利用排序学习的XGBoost算法对API推荐结果列表的特征信息进行预测；通过学习反馈列表的特征信息，训练出一个排序模型，用该排序模型对用户输入的查询语句进行预测排序，最终得到排序分数RankScore。
优选地，所述步骤(3)中利用主动学习方法对API推荐结果列表进行重新排列具体包括：利用主动学习算法对API推荐结果列表的特征信息进行预测；将API推荐结果列表的排列顺序视为分类标签，将反馈列表数据视为标记数据来训练分类器模型，模型通过查询策略不断查询标准问答对数据集，并将所查询问答对信息放入标记数据集中，由此不断扩充的标记数据，从而训练出逐步优化的分类模型；用该模型对用户输入的查询语句进行预测分类，最终得到分类分数ClassScore。
优选地，所述步骤(3)中利用排序学习和主动学习方法对API推荐结果列表进行合并重新排列具体包括：将经过排序学习和主动学习模型预测得到的RankScore和ClassScore相加，得到API推荐结果列表中各API最终的预测分数PredictScore，根据预测分数从高到低对API推荐结果列表进行重新排序，即为最后的重新排序后的API推荐结果列表，并将重新排序后的API推荐结果列表展示给用户。
优选地，所述步骤(4)具体包括：用户根据具体需求，在重新排序后的API推荐结果列表中选择一个用户认为能解决问题的最优API作为处理该查询语句的对应的API；将该查询及其对应的API作为对于该查询的反馈数据，放入反馈列表中保存，为后续查询语句提供帮助做准备。
优选地，所述方法中形成反馈数据具体包括：单条反馈查询语句和查询语句对应的API；反馈列表由反馈数据的集合构成；而标准问答对数据集则是由查询语句及其对应正确API所构成的黄金数据集；而标准问答对数据集则是由查询语句及其对应正确API所构成的黄金数据集。
本发明还提供一种结合用户反馈信息的API推荐终端，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
本发明的有益效果：
本发明利用用户反馈信息对API推荐结果列表进行重新排序，将API推荐结果列表中可用于处理用户查询语句的API的排名顺序提升，使其能获得更好的排序效果。本发明同时考虑到了用户反馈信息和文本相似度信息，使得推荐的API结果更有说服力。
附图说明
图1为基于用户反馈信息的API推荐框架的原理示意图。
图2为主动学习方法的原理示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种结合用户反馈信息的API推荐方法，包括步骤如下：
(1)输入用户查询语句，使用基于查询的API推荐系统对该查询语句进行API推荐，得到关于查询的API推荐结果列表；
(2)对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取：遍历反馈列表，若反馈列表中存在与查询语句相似的反馈语句，并且可用于正确处理该反馈语句的对应的API也出现在API推荐结果列表中，则将该反馈作为该推荐API的反馈信息，并与API推荐结果列表中的对应API的描述信息共同进行特征提取；
(3)根据排序学习和主动学习方法对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表；
(4)在重新排序后的API推荐结果列表中选择可用于处理该查询语句的API，与上述查询语句一起形成反馈数据并放入反馈列表中保存。
所述步骤(1)具体包括：对于一个待查询语句，首先要根据API推荐系统对该查询语句进行推荐，获得关于该查询的API推荐结果列表。
所述步骤(2)中，对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取：本发明中所述特征是对于API推荐结果列表中的每一个API来进行考虑的，特征主要分为反馈特征与API相关特征两部分，具体提取过程如下：
反馈特征：在反馈列表中找寻与待查询语句相似的反馈查询语句，若反馈列表中存在这样的语句，则进一步查看该语句对应的API是否出现在API推荐结果列表的结果中，若存在，则将该反馈作为该API的反馈信息，反馈信息值为待查询语句与反馈语句的相似度；若不存在，则反馈信息设为0。
API相关特征：API相关信息包括API名称，API文档描述信息以及与该API相关的问题信息，API相关特征也由以上三部分与待查询语句的相似度构成。其中API文档信息是指从官网上爬取下来的所有API文档相关信息，API相关的问题是从StackOverflow网站上与API相关的问题中提取而来。
待查询语句与反馈表中查询语句的相似度计算公式如下：
Figure BDA0002227815670000051
其中，querySim(Q1,Q2)表示两个查询语句Q1和Q2之间的相似度；wordSim(Q1,Q2)表示查询Q1中所有单词与查询Q2之间的相似度；同理，wordSim(Q2,Q1)表示查询Q2中所有单词与Q1之间的相似度：
Figure BDA0002227815670000052
Figure BDA0002227815670000053
其中，ω1表示查询Q1中的单词，ω2表示查询Q2中的单词；idf(ω1)表示单词ω1的idf值，idf(ω2)表示单词ω2的idf值；将单词ω1与单词ω2的相似度记为sim(ω1,ω2)，simmax(ω1,Q2)是单词ω1与查询Q2中单词相似度的最大值，即sim(ω1,ω2)的最大值；同理，将单词ω2与单词ω1的相似度记为sim(ω2,ω1)，simmax(ω2,Q1)是单词ω2与查询Q1中单词相似度的最大值，即sim(ω2,ω1)的最大值；sim(ω1,ω2)和sim(ω2,ω1)的计算公式如下：
Figure BDA0002227815670000061
Figure BDA0002227815670000062
其中，
Figure BDA0002227815670000063
表示单词ω1的向量，
Figure BDA0002227815670000064
表示单词ω2的向量，
Figure BDA0002227815670000065
表示单词ω1的向量的模，
Figure BDA0002227815670000066
表示单词ω2的向量的模；
若相似度阈值达到0.7，则认为两个查询语句相似；否则不相似。API相关特征的相似度计算方式同上所述。
所述步骤(3)中，根据排序学习和主动学习方法对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表，分为排序学习和主动学习两大部分：
排序学习：从反馈列表中提取各查询对应的先根据API推荐系统，将反馈列表中所有查询遍历推荐一遍，得到所有查询的API推荐结果列表，从中提取特征。根据从反馈数据中获得的特征向量来训练XGBoost排序学习模型，根据经验，XGBoost参数设置如下：gamma＝0.1，max_depth＝5，lambda＝1，subsample＝0.9，colsample_bytree＝0.8，min_child_weight＝3。利用训练之后的模型对待查询语句的API推荐结果列表特征进行预测，得到排序分数RankScore。
参照图2所示，主动学习：和排序学习预处理步骤一样，先获得反馈列表中所有查询对应的API推荐结果列表的特征向量，视其为标记数据来训练主动学习分类器模型，根据经验，使用随机森林分类器。然后根据不确定性策略从标准问答对数据集中提取问答对，经过处理将数据放入标记集，重新训练分类器模型，如此循环。迭代停止时，利用训练之后的模型对待查询语句的API推荐结果列表特征进行预测，得到分类分数ClassScore。
待查询语句的最终预测分数PredictScore为排序分数与分类分数之和，将推荐结果按照排序分数从高到低进行排列，最终呈现给用户。
所述步骤(4)具体包括：用户根据重新排序后的API推荐结果列表，从中选取一个可用于解决该问题的API，将该查询和所选取的API视为反馈数据，放入反馈列表中保存。
以下采用实验的方式来体现本发明方法的性能。
实验的主要内容为：不断更改反馈数据占训练数据的含量，采用计算Top-k准确率、MAP和MRR的方法来显示本发明方法的性能。
实验采用的推荐方式和数据，来自于BIKER，RACK和NLP2API这三个API推荐系统。
算法评价的计算方式是Top-k准确率，同时k分别取1、3、5，以及MAP和MRR值，训练集和测试集按9：1进行划分，实验中的反馈数据的生成方式为从训练集中随机抽取。BIKER实验结果记录为表1所示，RACK实验结果记录为表2所示，NLP2API实验结果记录为表3所示。
表1
Figure BDA0002227815670000071
表2
Figure BDA0002227815670000072
表3
Figure BDA0002227815670000081
实验表明本发明方法在推荐的准确率上已经取到较高的结果。
其中，Top-1准确率提升最大，在RACK数据集上，Top-1从最低的22.20％，最高增加到61.11％，得到了大幅度的提升，这三个推荐任务中，Top-1最少也提升了18％以上；在Top-3准确率上，都可以达到75％以上的效果。该实验结果表明，随着反馈数据的增多，本发明方法可以有效地为用户推荐所需API。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (10)

1.一种结合用户反馈信息的API推荐方法，其特征在于，包括步骤如下：
(1)输入用户查询语句，对该查询语句进行API推荐，得到关于查询的API推荐结果列表；
(2)对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取：遍历反馈列表，若反馈列表中存在与查询语句相似的反馈语句，并且可用于正确处理该反馈语句的对应的API也出现在API推荐结果列表中，则将该反馈语句作为该推荐API的反馈信息，并与API推荐结果列表中的对应API的描述信息一起进行特征提取；
(3)根据排序学习和主动学习方法对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表；
(4)在重新排序后的API推荐结果列表中选择可用于处理该查询语句的API，与上述查询语句一起形成反馈数据并放入反馈列表中保存。
2.根据权利要求1所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(2)中对反馈列表中的反馈信息和API推荐结果列表中的API进行特征提取具体包括：对反馈列表的查询语句进行遍历，计算当前查询语句与反馈列表中查询语句的相似度，计算公式如下：
Figure FDA0002227815660000011
其中，querySim(Q1,Q2)表示两个查询语句Q1和Q2之间的相似度；wordSim(Q1,Q2)表示查询Q1中所有单词与查询Q2之间的相似度；同理，wordSim(Q2,Q1)表示查询Q2中所有单词与Q1之间的相似度：
Figure FDA0002227815660000012
Figure FDA0002227815660000013
其中，ω1表示查询Q1中的单词，ω2表示查询Q2中的单词；idf(ω1)表示单词ω1的idf值，idf(ω2)表示单词ω2的idf值；将单词ω1与单词ω2的相似度记为sim(ω1,ω2)，simmax(ω1,Q2)是单词ω1与查询Q2中单词相似度的最大值，即sim(ω1,ω2)的最大值；同理，将单词ω2与单词ω1的相似度记为sim(ω2,ω1)，simmax(ω2,Q1)是单词ω2与查询Q1中单词相似度的最大值，即sim(ω2,ω1)的最大值；sim(ω1,ω2)和sim(ω2,ω1)的计算公式如下：
Figure FDA0002227815660000021
其中，
Figure FDA0002227815660000023
表示单词ω1的向量，
Figure FDA0002227815660000024
表示单词ω2的向量，
Figure FDA0002227815660000025
表示单词ω1的向量的模，
Figure FDA0002227815660000026
表示单词ω2的向量的模。
3.根据权利要求2所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(2)具体还包括：若相似度阈值达到0.7，则认为该反馈查询与当前查询相似，在推荐结果中找到该反馈查询的对应的API，并将查询语句的相似度记作该API的反馈特征；其余特征从API及其相关信息中提取，共同构成特征向量。
4.根据权利要求1所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(3)具体包括：根据排序学习和主动学习方法对API推荐结果列表进行重新排序，并向用户呈现重新排序后的API推荐结果列表：最终的排列顺序由两部分构成，一是由排序学习方法对API推荐结果列表进行预测并排序，二是由主动学习方法对API推荐结果列表进行预测并排序，最后对两组预测值合并后的结果进行排序并展示。
5.根据权利要求4所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(3)中利用排序学习方法对API推荐结果列表进行重新排列具体包括：利用排序学习的XGBoost算法对API推荐结果列表的特征信息进行预测；通过学习反馈列表的特征信息，训练出一个排序模型，用该排序模型对用户输入的查询语句进行预测排序，最终得到排序分数RankScore。
6.根据权利要求4所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(3)中利用主动学习方法对API推荐结果列表进行重新排列具体包括：利用主动学习算法对API推荐结果列表的特征信息进行预测；将API推荐结果列表的排列顺序视为分类标签，将反馈列表数据视为标记数据来训练分类器模型，模型通过查询策略不断查询标准问答对数据集，并将所查询问答对信息放入标记数据集中，由此不断扩充的标记数据，从而训练出逐步优化的分类模型；用该模型对用户输入的查询语句进行预测分类，最终得到分类分数ClassScore。
7.根据权利要求4所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(3)中利用排序学习和主动学习方法对API推荐结果列表进行合并重新排列具体包括：将经过排序学习和主动学习模型预测得到的RankScore和ClassScore相加，得到API推荐结果列表中各API最终的预测分数PredictScore，根据预测分数从高到低对API推荐结果列表进行重新排序，即为最后的重新排序后的API推荐结果列表，并将重新排序后的API推荐结果列表展示给用户。
8.根据权利要求1所述的结合用户反馈信息的API推荐方法，其特征在于，所述步骤(4)具体包括：用户根据具体需求，在重新排序后的API推荐结果列表中选择一个用户认为能解决问题的最优API作为处理该查询语句的对应的API；将该查询及其对应的API作为对于该查询的反馈数据，放入反馈列表中保存，为后续查询语句提供帮助做准备。
9.根据权利要求1所述的结合用户反馈信息的API推荐方法，其特征在于，所述方法中形成反馈数据具体包括：单条反馈查询语句和查询语句对应的API；反馈列表由反馈数据的集合构成；而标准问答对数据集则是由查询语句及其对应正确API所构成的黄金数据集。
10.一种结合用户反馈信息的API推荐终端，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9中任意一项所述的方法。
CN201910957514.9A 2019-10-10 2019-10-10 一种结合用户反馈信息的api推荐方法及终端 Active CN110806861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910957514.9A CN110806861B (zh) 2019-10-10 2019-10-10 一种结合用户反馈信息的api推荐方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910957514.9A CN110806861B (zh) 2019-10-10 2019-10-10 一种结合用户反馈信息的api推荐方法及终端

Publications (2)

Publication Number Publication Date
CN110806861A true CN110806861A (zh) 2020-02-18
CN110806861B CN110806861B (zh) 2021-10-08

Family

ID=69488159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910957514.9A Active CN110806861B (zh) 2019-10-10 2019-10-10 一种结合用户反馈信息的api推荐方法及终端

Country Status (1)

Country Link
CN (1) CN110806861B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111857660A (zh) * 2020-07-06 2020-10-30 南京航空航天大学 一种基于查询语句的情境感知api推荐方法及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150378692A1 (en) * 2014-06-30 2015-12-31 Microsoft Corporation Code recommendation
CN108717423A (zh) * 2018-04-24 2018-10-30 南京航空航天大学 一种基于深度语义挖掘的代码段推荐方法
CN108717470A (zh) * 2018-06-14 2018-10-30 南京航空航天大学 一种具有高准确度的代码片段推荐方法
CN109933660A (zh) * 2019-03-25 2019-06-25 广东石油化工学院 面向自然语言形式的基于讲义和Stack Overflow的API信息检索方法
CN110297628A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于同源相关性的api推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150378692A1 (en) * 2014-06-30 2015-12-31 Microsoft Corporation Code recommendation
CN108717423A (zh) * 2018-04-24 2018-10-30 南京航空航天大学 一种基于深度语义挖掘的代码段推荐方法
CN108717470A (zh) * 2018-06-14 2018-10-30 南京航空航天大学 一种具有高准确度的代码片段推荐方法
CN109933660A (zh) * 2019-03-25 2019-06-25 广东石油化工学院 面向自然语言形式的基于讲义和Stack Overflow的API信息检索方法
CN110297628A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于同源相关性的api推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QIAO HUANG等: "API method recommendation without worrying about the task-API knowledge gap", 《ASE 2018: PROCEEDINGS OF THE 33RD ACM/IEEE INTERNATIONAL CONFERENCE ON AUTOMATED SOFTWARE ENGINEERING》 *
SHAOWEI WANG等: "Active code search: incorporating user feedback to improve code search relevance", 《ASE "14: PROCEEDINGS OF THE 29TH ACM/IEEE INTERNATIONAL CONFERENCE ON AUTOMATED SOFTWARE ENGINEERING》 *
贾璋衡: "基于随机森林和boosting思想的推荐算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111857660A (zh) * 2020-07-06 2020-10-30 南京航空航天大学 一种基于查询语句的情境感知api推荐方法及终端
CN111857660B (zh) * 2020-07-06 2021-10-08 南京航空航天大学 一种基于查询语句的情境感知api推荐方法及终端

Also Published As

Publication number Publication date
CN110806861B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Meij et al. Mapping queries to the Linking Open Data cloud: A case study using DBpedia
Bian et al. Multimedia summarization for trending topics in microblogs
CA2556202C (en) Method and apparatus for fundamental operations on token sequences: computing similarity, extracting term values, and searching efficiently
CA2638558C (en) Topic word generation method and system
Meij et al. Learning semantic query suggestions
Kong et al. Predicting search intent based on pre-search context
US9256649B2 (en) Method and system of filtering and recommending documents
CN110321537B (zh) 一种文案生成方法和装置
US11977589B2 (en) Information search method, device, apparatus and computer-readable medium
US20080168056A1 (en) On-line iterative multistage search engine with text categorization and supervised learning
CN106708929B (zh) 视频节目的搜索方法和装置
WO2006108069A2 (en) Searching through content which is accessible through web-based forms
CN102725759A (zh) 用于搜索结果的语义目录
CN107193892B (zh) 一种文档主题确定方法及装置
CN108959413B (zh) 一种主题网页爬取方法及主题爬虫系统
CN110737756B (zh) 确定针对用户输入数据的应答的方法、装置、设备和介质
CN110717038B (zh) 对象分类方法及装置
CN108875065B (zh) 一种基于内容的印尼新闻网页推荐方法
CN107122404A (zh) 一种用户意图数据提取方法和装置
CN111737558A (zh) 一种资讯推荐方法、装置及计算机可读存储介质
CN110866102A (zh) 检索处理方法
CN113011172A (zh) 文本处理方法、装置、计算机设备和存储介质
CN106570196B (zh) 视频节目的搜索方法和装置
CN110806861B (zh) 一种结合用户反馈信息的api推荐方法及终端
CN112579729A (zh) 文档质量评价模型的训练方法、装置、电子设备和介质

Legal Events

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