深度 API 学习
本文提出了一种名为 DeepAM 的智能系统,该系统通过从大规模代码语料库中自动挖掘 API 映射关系,使用基于多模态序列到序列学习的架构来学习双语 API 序列的联合语义表示。实验结果表明,DeepAM 在增加 API 映射的数量和提高 API 映射的准确性上,相较于现有技术方案表现出明显优势。
Apr, 2017
本研究提出 DeepProbe 交互框架,使用基于注意力机制的序列到序列循环神经网络,通过生成能力和可能性估计实现用户意图识别和结束信息提取。通过三个应用的实现,评价的结果显示出了重大改进,也为后续的聊天机器人应用打下了良好的基础。
Jul, 2017
本研究提出了一种使用自然语言处理技术通过非官方文档生成 API 和方法摘要的自动化方法,该方法可以作为指导开发人员进行软件开发和维护任务的补充来源。
Aug, 2022
本文介绍了一种将 APIs 与聊天机器人相融合的方案,旨在帮助缺乏技术能力的业务用户实现自动化解决方案。文中提出了一种生成句子训练意图识别模型的系统,并使用深度学习模型进行评估,结果显示很有前景,在系统中引入人的参与将进一步提高系统性能。
Jun, 2022
本文提出了一种使用 BART 算法的自动方法,通过深度学习技术,在 StackOverflow 上生成 API 的摘要,并使用 ROUGE 和 BLEU 指标对其进行评估,结果表明使用深度学习算法可以提高摘要的质量,并且在精确率、召回率和 F-measure 上表现出色,且运行速度为之前的工作的 4.4 倍。
Oct, 2023
DAPIP 是一种通过学习 API 和 DSL 实现数据转换任务的 Programming-By-Example 系统,并提出了一种新的神经合成算法来在 DSL 中寻找与给定示例一致的程序,该算法在合成程序方面性能优于基准方法。
Apr, 2017
提出了一种基于深度强化学习(Deep Q-Network, DQN)的序列到序列学习中,通过迭代的方式对输出序列进行解码的新型模式,旨在使解码器优先处理较为容易的序列部分,然后再处理较为困难的部分。
Oct, 2015
通过深度编码和交互来提取深层语义信息的句子匹配方法,使用自注意机制和双向注意机制获得深层语义信息并进行分类,适用于文本蕴含识别、释义识别和答案选择,实验证明其可有效提取深层语义特征并验证其在句子匹配任务中的有效性。
Mar, 2022
本文介绍了一种独特的方法来解决对应用程序接口(API)文档的解释复杂性的需求,利用 BERTopic 的强项和自然语言处理(NLP)自动生成 API 文档的摘要,以提高 API 文档的可理解性和开发效率。研究结果揭示了重要主题,常见问题和潜在解决方案,旨在为开发人员提供实用工具以提升软件开发流程。
Aug, 2023
该研究探讨了基于深度神经网络的自动生成响应的模型,着重讨论了结构松散的任务,如基于单词级别的对话响应生成,并提出了基于生成的编码器 - 解码器神经网络架构的新模型,以增强对话的长期历史纪录、建模对话中的不确定性和歧义性、生成具有高级组合结构的响应。
Nov, 2016