利用人工智能翻译的多样性提高双语软件项目中基于信息检索的可追溯性恢复

核心概念

利用来自不同翻译器的翻译变体,通过提取共识双词来增强双语软件项目中基于信息检索的可追溯性恢复。

摘要

本文提出了一种名为AVIATE的方法,用于提高双语软件项目中基于信息检索的可追溯性恢复。主要包括以下步骤:

1. 使用四种主流翻译器(NLLB-1.3B、M2M-100-12B、谷歌翻译和腾讯翻译)对非英语句子进行翻译,生成多个翻译变体。

2. 从这些翻译变体中提取候选双词,并找出同时出现在问题和提交中的共识双词。

3. 选择出现频率较低的共识双词作为最终的增强内容,并根据其独特性调整权重因子,以突出关键信息。

4. 将增强和加权后的双词添加到原始文本中,并使用向量空间模型(VSM)计算文本相似度,生成候选可追溯链接列表。

实验结果表明,与现有的基于机器翻译的方法相比,AVIATE在平均精确度(AP)和平均平均精确度(MAP)指标上分别提高了16.67(31.43%)和8.38(11.22%)。这表明AVIATE能够有效地解决双语可追溯性恢复的挑战。

統計資料

在San项目中,总共有25,316个翻译变体。
在Issue 338的总结中,共提取到3个双词,其中只有"attributedisabled"是共识双词。
在San项目中,总共有21,704个句子,平均共识独特性得分为0.179。

引述

"属性"在问题中被翻译为"property"，而在提交中被翻译为"attribute"，这种不一致性会严重影响基于信息检索的方法的性能。
通过利用来自不同翻译器的翻译变体,AVIATE可以有效地弥补这种语义差距,从而提高可追溯性恢复的性能。

從以下內容提煉的關鍵洞見

AVIATE: Exploiting Translation Variants of Artifacts to Improve IR-based Traceability Recovery in Bilingual Software Projects

by Kexin Sun, Y... 於 arxiv.org 10-01-2024

https://arxiv.org/pdf/2409.19304.pdf

深入探究

如何进一步提高AVIATE在更多语言组合的双语项目中的性能?

要进一步提高AVIATE在更多语言组合的双语项目中的性能，可以考虑以下几个策略：

扩展翻译模型的多样性：引入更多的翻译模型和服务，例如使用最新的神经机器翻译（NMT）系统，能够提供更高质量的翻译结果。通过结合不同模型的翻译结果，可以生成更丰富的翻译变体，从而提高共识双词的提取质量。

优化共识双词的提取算法：在提取共识双词时，可以引入更复杂的自然语言处理技术，例如使用深度学习模型进行语义相似度计算，以更好地捕捉不同语言之间的语义关系。这将有助于提高在多语言环境下的术语一致性。

增强上下文理解：通过引入上下文信息，例如项目的领域知识或开发者的历史行为，来改善翻译变体的选择和共识双词的提取。这种方法可以帮助识别在特定上下文中更为相关的术语，从而提高信息检索的准确性。

多语言数据集的构建：构建包含多种语言的丰富数据集，以便在训练和评估阶段使用。这将有助于模型更好地理解不同语言之间的关系，并提高其在多语言项目中的适应性。

用户反馈机制：引入用户反馈机制，允许开发者对自动生成的追溯链接进行评估和反馈。通过不断迭代和优化模型，可以逐步提高其在不同语言组合中的性能。

除了双词之外,是否还有其他方式可以利用多个翻译变体来增强基于信息检索的可追溯性恢复?

除了双词之外，还有多种方式可以利用多个翻译变体来增强基于信息检索的可追溯性恢复：

短语和句子级别的增强：可以通过提取短语或句子级别的共识信息来增强文本。例如，利用翻译变体中出现的常用短语或句子结构，来捕捉更复杂的语义关系，从而提高信息检索的效果。

上下文嵌入：使用上下文嵌入技术（如BERT或GPT系列模型）来生成翻译变体的上下文表示。这种方法可以帮助捕捉更深层次的语义信息，并在信息检索过程中提供更准确的相似度计算。

多模态信息整合：结合其他类型的项目数据（如代码片段、文档注释等），通过多模态学习方法来增强可追溯性恢复。这种方法可以利用不同数据源之间的关联性，提升信息检索的全面性和准确性。

动态更新机制：建立动态更新机制，根据项目的演变和开发者的反馈，持续更新翻译变体和共识信息。这将确保信息检索模型始终使用最新和最相关的数据，从而提高其性能。

集成学习方法：采用集成学习的方法，将多个翻译变体的结果进行融合，以提高最终的追溯性恢复效果。通过结合不同模型的预测结果，可以减少单一模型的偏差，提高整体的准确性。

AVIATE的方法是否可以应用于其他软件工程任务,如需求跟踪或代码搜索?

AVIATE的方法可以有效地应用于其他软件工程任务，如需求跟踪和代码搜索，原因如下：

需求跟踪：在需求跟踪中，需求文档通常包含多种语言的描述，尤其是在国际化项目中。AVIATE可以通过处理需求文档中的翻译变体，提取共识双词，从而提高需求与实现之间的可追溯性。这将有助于确保需求的准确实现，并减少因语言不一致导致的误解。

代码搜索：在代码搜索任务中，开发者常常需要在多语言代码库中查找特定功能或实现。AVIATE的方法可以通过分析代码注释、文档和提交信息中的翻译变体，提取相关的术语和短语，从而提高代码搜索的准确性和效率。

跨语言协作：在多语言开发团队中，AVIATE可以帮助团队成员更好地理解和追踪不同语言之间的实现细节。通过利用翻译变体，团队可以更有效地沟通和协作，减少因语言障碍导致的误解。

文档生成：在自动生成文档的过程中，AVIATE可以帮助确保文档中的术语一致性，特别是在多语言环境下。通过提取共识双词，生成的文档将更具可读性和准确性。

缺陷跟踪：在缺陷跟踪系统中，开发者需要处理来自不同语言用户的报告。AVIATE可以通过分析缺陷报告中的翻译变体，提取相关信息，从而提高缺陷的分类和优先级排序的准确性。

综上所述，AVIATE的方法不仅限于可追溯性恢复，还可以广泛应用于其他软件工程任务，提升多语言环境下的工作效率和准确性。