基于API用法的源代码推荐.pdfVIP

摘要

在当今快速发展的软件开发领域，应用程序编程接口（ApplicationProgramming

Interface，API）的使用对于提高开发效率和缩短开发周期至关重要。然而，随着网络技

术的飞速发展，API的数量正以前所未有的速度增长。这一现象虽然为软件开发领域带

来了丰富的资源，但同时也给开发人员带来了挑战：在面临新的编程任务时，他们往往

难以快速准确地找到最合适的API。现有的推荐系统虽然在一定程度上提供了帮助，但

仍存在推荐精度不高、缺乏API用法示例和推荐不全面等问题，这导致开发人员在实际

应用中仍需花费大量时间进行搜索和学习。为了解决这些问题，本文提出了一种新的API

推荐系统，旨在通过在精确推荐的同时还提供与之相关的API序列和源代码使用示例来

显著提升编程效率。本文的主要贡献包括以下两个方面：

（1）本文提出了一种基于双源信息的API推荐算法。该算法利用API文档描述和

StackOverflow（SO）中的问答对作为数据源，通过抽象语法树（AbstractSyntaxTree，

AST）和词嵌入技术对数据进行预处理。双源指的是同时将SO帖子问答数据和API文

档中的API描述作为两个信息源来构建数据集，这样可以大大减少用户输入的查询和

API文档描述之间的语义差距，从而提高推荐的准确度。随后，本研究构建了一个高效

的语义相似度计算模型。该模型通过对比用户输入的查询与API描述之间的相似度得

分，实现了对API的精准推荐。这一方法不仅显著提升了推荐内容的相关性，而且还为

开发人员提供了清晰、直观的推荐理由，从而增强了推荐的可信度和实用性。

（2）把用户从推荐结果中选择的API以及用户的问题描述作为用户的查询，通过

大型语言模型(LargeLanguageModel，LLM)生成API序列以及相应的代码片段。用户

可以利用这些API更好的完成自己的编程任务。先通过意图分析模块对用户的查询语句

进行分析解析出查询语句中的任务意图，结合用户选择的API作为输入，从而让LLM

模型生成符合用户输入的任务意图且包含用户所选择的API的API序列。而为了让LLM

生成的API序列具有更好的可读性和准确性，本文使用情境学习（InContextLearning，

ICL）技术为LLM提供示例和上下文信息来引导LLM的生成，使其生成的结果在一定

程度上提高了用户满意度。

关键词：API推荐；词嵌入；大型语言模型；API用法生成

Abstract

Intodaysrapidlyevolvingsoftwaredevelopmentlandscape,theuseofAPI(Application

ProgrammingInterface)iscrucialforimprovingdevelopmentefficiencyandshortening

developmentcycles.However,withtherapidadvancementofWebtechnologies,thenumberof

APIsisgrowingatanunprecedentedrate.Whilethisgrowthbringsabundantresourcestothe

softwaredevelopmentfield,italsoposeschallengesfordevelopers:theyoftenstruggleto

quicklyandaccuratelyfindthemostsuitableAPIwhenfacedwithnewprogrammingtasks.

Althoughexistingrecommendationsystemsprovidesomeassistance,theystillsufferfrom

issuessuchaslowrecommendationaccuracy,lackofAPIusa