[논문]RNN을 이용한 동작기록 마이닝 기반의 추천 방법

조희태; 이선아; 강성원

doi:10.3745/ktsde.2018.7.12.461

[국내논문] RNN을 이용한 동작기록 마이닝 기반의 추천 방법
A Code Recommendation Method Using RNN Based on Interaction History 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.7 no.12, 2018년, pp.461 - 468

조희태 (경상대학교 정보과학과) , 이선아 (경상대학교 항공우주및소프트웨어전공) , 강성원 (KAIST 전산학부)

초록
AI-Helper

개발자들은 소프트웨어 개발과 유지보수 작업 중 하나의 코드를 수정하는데 들이는 시간보다 이를 위해 코드를 탐색하고 이해하는데 더 많은 시간을 소모한다. 코드를 탐색하는 시간을 줄이기 위하여 기존 연구들은 데이터 마이닝과 통계적 언어모델 기법을 이용하여 수정할 코드를 추천하여 왔다. 그러나 이 경우 모델의 학습 데이터와 입력되는 데이터가 정확하게 일치하지 않으면 추천이 발생하지 않는다. 이 논문에서 우리는 딥러닝의 기법 중 하나인 Recurrent Neural Networks에 동작기록을 학습시켜 기존 연구의 상기 문제점 없이 수정할 코드의 위치를 추천하는 방법을 제안한다. 제안 방법은 RNN과 동작기록을 활용한 추천 기법으로 평균 약 91%의 정확도와 71%의 재현율을 달성함으로써 기존의 추천방법보다 코드 탐색 시간을 더욱 줄일 수 있게 해 준다.

Abstract ▼ AI-Helper

Developers spend a significant amount of time exploring and trying to understand source code to find a source location to modify. To reduce such time, existing studies have recommended the source location using statistical language model techniques. However, in these techniques, the recommendation does not occur if input data does not exactly match with learned data. In this paper, we propose a code location recommendation method using Recurrent Neural Networks and interaction histories, which does not have the above problem of the existing techniques. Our method achieved an average precision of 91% and an average recall of 71%, thereby reducing time for searching and exploring code more than the existing recommendation techniques.

주제어

표/그림 (10)

그림 Fig. 1. Operation of Simple Recurrent Neural Network
그림 Fig. 2. Example of Interaction History
그림 Fig. 3. Preprocessing of Interaction Histories
그림 Fig. 4. Example of Data Pair
그림 Fig. 5. Model Overview
표 Table 1. Number of Data After Preprocessing
표 Table 2. Model Performance
표 Table 3. Result of Parameter Tuning
그림 Fig. 6. Precision of N-gram and RNN
그림 Fig. 7. Recall of N-gram and RNN

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 절에서는 실험에 사용되는 딥러닝과 Recurrent Neural Network (RNN)에 대해 설명하며, 동작기록을 딥러닝에 적용하는 방법을 기술한다.
본 절에서는 우리의 모델의 추천 결과가 실질적으로 어떤 의미를 가질 수 있는지에 대한 조사를 진행한다. 이를 위해 2절 연구동기에서 사용한 두 개의 버그리포트에 대한 추천 결과가 가지는 의미에 대한 조사를 진행한다.
본 절에서는 우리의 연구와 관련된 연구들을 기술한다. 관련 연구들은 통계적 언어모델을 사용한 코드 추천에 관한 연구와 소프트웨어 공학 문제에 딥러닝을 적용한 연구, 동작기록에 마이닝을 적용한 연구들이 있었다.
우리는 개발자들의 동작기록과 딥러닝 모델을 사용하여 개발자들이 코드의 탐색과 이해를 거쳐 수정해야 하는 코드를 찾는데까지 걸리는 시간을 줄이기 위한 연구를 진행한다. 본 연구는 동작기록 중 개발자가 탐색하거나 수정한 기록들만 추출해 시간순으로 나열하고, 특정한 문맥을 구성하고 딥러닝 모델에 학습시켜 수정할 파일을 추천하는 방법으로 진행한다.
우리는 실제 버그리포트와 동작기록을 조사하여 개발자들이 어떻게 수정하는 코드를 탐색하는지 조사했다. 먼저 이클립스의 Platform 프로젝트의 100799번 버그리포트는 특정 플러그인을 사용할 때 오류메시지 없이 종료된다는 내용을 보고하였다.

제안 방법

이를 위해 우리는 먼저 python을 사용해 xml로 저장 되어 있는 동작기록에서 우리가 사용할 정보들만 추출하였다. 다음으로 우리는 추출한 정보들을 모델에 학습시키기 위한 형태로 변형시켰다. 이 변형은 3개의 탐색 및 수정 파일과 1개의 수정 파일로 이루어지며 Fig.
우리의 RNN모델은 3개의 탐색 및 수정된 파일이 입력되면 1개의 수정 파일을 추천한다. 딥러닝 모델의 특성상 모든 입력에 대해 출력이 발생하는데, 이때 무분별하게 추천하는 결과를 방지하기 위해 Equation (4)로 계산되는 소프트맥스 함수를 사용해 예측의 정확률이 90%를 넘을 때만 추천하도록 임계값을 설정하였다.
외부적으로 우리는 단지 소수 프로젝트의 동작기록에 대해서만 평가하였으며, 동작기록을 단순히 시간 순서로 전처리하였지만, 만약 하나의 작업 단위로 전처리를 진행한다면 모델의 성능은 달라질 수 있다. 또한 탐색 및 수정된 파일의 이름을 딥러닝 모델 내부에서 임베딩 계층을 통해 벡터화 하였다. 이 벡터는 파일의 이름을 대표할 수는 있지만, 그 파일이 어떤 파일인지에 대한 의미는 대표할 수 없다.
다음으로 딥러닝 모델을 구현하고, 전처리된 동작기록을 학습시킨다. 마지막으로 딥러닝 모델의 성능을 평가한다.
우리는 개발자들의 동작기록과 딥러닝 모델을 사용하여 개발자들이 코드의 탐색과 이해를 거쳐 수정해야 하는 코드를 찾는데까지 걸리는 시간을 줄이기 위한 연구를 진행한다. 본 연구는 동작기록 중 개발자가 탐색하거나 수정한 기록들만 추출해 시간순으로 나열하고, 특정한 문맥을 구성하고 딥러닝 모델에 학습시켜 수정할 파일을 추천하는 방법으로 진행한다.
본 연구에서는 동작기록이 가진 많은 정보 가운데 개발자가 하나의 파일을 보거나 수정한 동작 행위와 그 행위를 시작한 시간과 끝난 시간, 그리고 해당 파일의 이름 정보를 사용한다. 이를 위해 우리는 먼저 python을 사용해 xml로 저장 되어 있는 동작기록에서 우리가 사용할 정보들만 추출하였다.
실험의 전체적인 진행은 먼저 동작기록을 딥러닝 모델에 학습시킬 형태로 전처리를 진행한다. 다음으로 딥러닝 모델을 구현하고, 전처리된 동작기록을 학습시킨다.
우리는 개발자가 코드를 수정하기 위해 파일을 탐색하는데 걸리는 시간을 줄이기 위한 개발자의 동작기록과 딥러닝을 사 용한 추천방법을 제안한다. 우리는 5개의 프로젝트에 대한 동작기록과 RNN모델을 사용해 사용자가 3개의 파일을 탐색하 거나 수정하였을 때 다음으로 코드를 수정해야하는 파일을 추천해 주는 연구를 진행하였다. 그 결과 우리는 평균 약 91%의 정확도와 약 71%의 재현율을 달성하였다.
우리는 RNN모델과 N-gram의 차이가 어느 부분에서 발생 하는가에 대한 논의를 진행하였다. N-gram은 N개의 입력 데이터에 대한 정답 데이터를 학습하여 통계적으로 입력에 대한 정답을 예측하는 모델이다.
우리는 RNN모델의 구현을 위해 프로젝트 ECF를 대상으로 유닛, 계층의 크기, 학습 횟수를 대상으로 파라미터 조율을 진행했었다. Table 3은 각 파라미터를 조율했을 때 각 파라미터에 대한 모델 별 성능을 보여준다.
개발자들은 하나의 코드를 수정하는데 들이는 시간보다 코드를 탐색하고 이해하는데 더 많은 시간을 소모한다. 우리는 개발자가 코드를 수정하기 위해 파일을 탐색하는데 걸리는 시간을 줄이기 위한 개발자의 동작기록과 딥러닝을 사 용한 추천방법을 제안한다. 우리는 5개의 프로젝트에 대한 동작기록과 RNN모델을 사용해 사용자가 3개의 파일을 탐색하 거나 수정하였을 때 다음으로 코드를 수정해야하는 파일을 추천해 주는 연구를 진행하였다.
우리는 먼저 모델의 성능 평가를 진행하기 위해 학습 데이터와 평가 데이터의 추출을 랜덤으로 5번 진행하였다. 이를 사용해 동일한 구조의 모델 5개를 생성하여 평가하였다.
RNN계층은 학습을 위한 계층으로 RNN계층을 통해 추천할 코드를 예측한다. 이때, 딥러닝 모델은 파라미터에 의해 성능이 변하기 때문에 우리는 먼저 적절한 파라미터를 찾기 위해 프로젝트 ECF를 대상으로 모델의 파라미터를 조율하였다. 대상 파라미터는 RNN계 층의 유닛과 계층의 크기, 학습 횟수이며, 유닛은 [LSTM, GRU]로, 계층의 크기는 [100, 500, 1000]로, 학습 횟수는 [10, 100, 500, 1000]으로 진행하였다.
본 절에서는 우리의 모델의 추천 결과가 실질적으로 어떤 의미를 가질 수 있는지에 대한 조사를 진행한다. 이를 위해 2절 연구동기에서 사용한 두 개의 버그리포트에 대한 추천 결과가 가지는 의미에 대한 조사를 진행한다.
본 연구에서는 동작기록이 가진 많은 정보 가운데 개발자가 하나의 파일을 보거나 수정한 동작 행위와 그 행위를 시작한 시간과 끝난 시간, 그리고 해당 파일의 이름 정보를 사용한다. 이를 위해 우리는 먼저 python을 사용해 xml로 저장 되어 있는 동작기록에서 우리가 사용할 정보들만 추출하였다. 다음으로 우리는 추출한 정보들을 모델에 학습시키기 위한 형태로 변형시켰다.

대상 데이터

평균 데이터 쌍의 개수는 약 36277개 이다. 각 프로젝트 별 전체 데이터 쌍의 개수 중 랜덤으로 추출한 70%를 모델의 학습 데이터로 사용하였으며, 나머지 30%는 학습된 모델의 테스트 데이터로 사용하였다.
해당 버그리포트의 동작기록을 보면 16개의 파일에서 총 71번의 탐색 또는 수정이 발생하였다. 그중 58번은 탐색이고, 13번은 수정이었다. 첫 번째 수정은 71번의 탐색 및 수정의 동작 중 3번째 동작에서 발생하였으며, 두 번째 수정은 21번째 동작에서 발생하였다.
다음으로 소프트웨어 공학 문제에 딥러닝을 적용하여 우수한 성능을 보인 연구 사례들이 많았다. 그중 우리는 추천 문제에 딥러닝을 적용한 사례들을 대상으로 조사하였다. 예를 들면 Gu 등은 Java 언어 APIs의 사용 순서와 설명을 딥러닝 모델 중 Recurrent Neural Network 모델에 학습시켜, 자연어 문장을 입력하는 것으로 그에 맞는 APIs의 사용 순서를 추천하는 연구를 진행하였다[6].
내부적으로 우리는 각 프로젝트의 동작기록에서 전처리 이후 생성된 데이터 쌍의 70%를 랜덤으로 추출하여 학습 시켰고 나머지 30%를 테스트 데이터로 사용하였다. 만약 또 다른 데이터 쌍 70%를 랜덤으로 추출하고 나머지 30%를 테스트한다면 모델의 성능은 달라질 수 있다.
이때, 딥러닝 모델은 파라미터에 의해 성능이 변하기 때문에 우리는 먼저 적절한 파라미터를 찾기 위해 프로젝트 ECF를 대상으로 모델의 파라미터를 조율하였다. 대상 파라미터는 RNN계 층의 유닛과 계층의 크기, 학습 횟수이며, 유닛은 [LSTM, GRU]로, 계층의 크기는 [100, 500, 1000]로, 학습 횟수는 [10, 100, 500, 1000]으로 진행하였다.
본 연구의 실험 대상은 장기적이고 다양한 정보를 가지고 있어야 하며, 일반적이어야 한다. 따라서 우리는 이클립스의 ECF, MDT, Mylyn, PDE, Platform, Others 프로젝트의 동작 기록을 사용하기로 결정하였다. Others는 앞선 5개 프로젝트 이외의 여러 프로젝트의 동작기록을 가지고 있다.
모델의 학습은 전처리된 동작기록의 데이터 쌍 중 랜덤으 로 추출한 70%를 학습 데이터로 사용하였다. 학습의 손실함 수는 PyTorch에 구현되어 있는 Equation (3)으로 계산되는 CrossEntropy를 사용하였으며, 최적화함수는 Adam[11]을 사용하였다.
실험의 모델은 Intel(R) Core(TM) i7-8700K 3.70GHz CPU 와 16GB 메모리 환경에서 Python3.6과 딥러닝 라이브러리인 PyTorch를 사용해 구현하였다.
마지막으로 학습 횟수는 10과 100사이에 서 성능의 변화가 크지만 100이후에는 성능의 변화가 거의 없 다. 우리는 성능과 학습 시간을 고려해 최종적으로 모델의 파라미터를 유닛은 GRU로, 계층의 크기는 500으로, 학습 횟수는 100으로 설정하였다.
우리는 먼저 모델의 성능 평가를 진행하기 위해 학습 데이터와 평가 데이터의 추출을 랜덤으로 5번 진행하였다. 이를 사용해 동일한 구조의 모델 5개를 생성하여 평가하였다. Table 2는 각 프로젝트에 대한 모델들의 평균값으로 성능을 평가한 결과 표이다.
해당 버그 리포트의 동작기록을 보면 총 7개의 파일에서 탐색 또는 수정이 발생했다. 탐색 및 수정은 총 56번이 발생하였으며, 그 중 37번은 탐색이고, 19번은 수정이었다. 첫 번째 수정은 56 번의 탐색 및 수정의 동작 중 6번째 동작에서 발생하였으며, 세 번째 동작이 발생하기까지 5분이 걸렸고 첫 번째 수정이 발생하기 까지는 10분이 걸렸다.
5와 같다. 학습 모델은 임베딩 계층과 RNN계층으로 구성된다. 임베딩 계층은 문자열인 파일 이름을 벡터로 바꾸기 위한 계층이다.
그 결과 상위 5개에서 유닛에는 모두 GRU가 등장했으며, 계층의 크기는 100과 500이 나타났다. 학습 횟수는 100, 500, 1000이다. 전체적으로는 먼저 유닛은 학습 횟수가 적을 때 GRU가 LSTM보다 성능이 조금 더 높지만, 그 외의 조건에서는 별다른 차이가 없었다.

이론/모형

모델의 학습은 전처리된 동작기록의 데이터 쌍 중 랜덤으 로 추출한 70%를 학습 데이터로 사용하였다. 학습의 손실함 수는 PyTorch에 구현되어 있는 Equation (3)으로 계산되는 CrossEntropy를 사용하였으며, 최적화함수는 Adam[11]을 사용하였다.

성능/효과

입력에 대한 예측 정확률의 임계값을 90%로 설정한 결과, 가장 높은 추천율을 보인 프로젝트는 ECF로 92%를 보였다. 가장 낮은 추천율을 보인 프로젝트는 Mylyn으로 59%를 보였으며, 평균 78%정도의 추천율을 보였다. 다음으로 정확도 또한 프로젝트 ECF가 96%로 가장 높았으며, 프로젝트 Mylyn이 84%로 가장 낮았다.
Table 3은 각 파라미터를 조율했을 때 각 파라미터에 대한 모델 별 성능을 보여준다. 그 결과 상위 5개에서 유닛에는 모두 GRU가 등장했으며, 계층의 크기는 100과 500이 나타났다. 학습 횟수는 100, 500, 1000이다.
우리는 5개의 프로젝트에 대한 동작기록과 RNN모델을 사용해 사용자가 3개의 파일을 탐색하 거나 수정하였을 때 다음으로 코드를 수정해야하는 파일을 추천해 주는 연구를 진행하였다. 그 결과 우리는 평균 약 91%의 정확도와 약 71%의 재현율을 달성하였다. 이러한 결과는 우리의 연구가 동작기록을 딥러닝 모델에 적용 가능하다는 점과 동작기록과 딥러닝 모델을 사용해 파일 수준에서 수정이 필요한 위치를 추천할 수 있음을 보인다.
우리의 추천 방법을 적용하면, 첫 번째 수정파일을 첫 번째 탐색에서 부터 세 번째 탐색이 시작되는 약 5분 후에 제시해 줄 수 있다. 그 결과, 바로 여섯 번째 동작으로 유도함으로써 기존의 네 번째, 다섯 번째 동작을 뛰어넘을 수 있다. 또한 위의 순서대로 진행하여 여섯 번째에 수정해야 하는 첫 번째 파일이 모델에 입력되면 다음 수정해야 하는 두 번째 파일을 추천한다.
전체적으로는 먼저 유닛은 학습 횟수가 적을 때 GRU가 LSTM보다 성능이 조금 더 높지만, 그 외의 조건에서는 별다른 차이가 없었다. 다음으로 계층의 크기는 학습 횟수가 적을 때는 100보다 500, 1000의 성능이 약간 좋았지만, 이외에는 1000이 100, 500보다 약간 더 낮은 성능을 보였다. 마지막으로 학습 횟수는 10과 100사이에 서 성능의 변화가 크지만 100이후에는 성능의 변화가 거의 없 다.
가장 낮은 추천율을 보인 프로젝트는 Mylyn으로 59%를 보였으며, 평균 78%정도의 추천율을 보였다. 다음으로 정확도 또한 프로젝트 ECF가 96%로 가장 높았으며, 프로젝트 Mylyn이 84%로 가장 낮았다. 평균적으로 91%의 정확도를 보였다.
즉, 우리의 실험 중 동작기록의 전처리과정은 tri-gram과 동일하다. 따라서 우리는 모델 부분에 집중하여 논의를 진행한 끝에 RNN모델과 N-gram의 가장 큰 차이는 모델의 학습 방법과 결과의 출력 방법에 있다고 결론 내렸다. RNN모델은 데이터를 벡터화하여 가중치 와의 벡터 곱을 통해 고유의 가중치를 갱신하여 학습하기 때문에 입력되는 데이터의 벡터가 비슷하면 거의 동일한 결과를 출력한다.
평균적으로 91%의 정확도를 보였다. 마지막으로 재현율은 프로젝트 ECF가 89%로 가장 높았으며 프로젝트 Mylyn이 50%로 가장 낮았다. 평균적으로 71%의 재현율을 보였다.
다음으로 계층의 크기는 학습 횟수가 적을 때는 100보다 500, 1000의 성능이 약간 좋았지만, 이외에는 1000이 100, 500보다 약간 더 낮은 성능을 보였다. 마지막으로 학습 횟수는 10과 100사이에 서 성능의 변화가 크지만 100이후에는 성능의 변화가 거의 없 다. 우리는 성능과 학습 시간을 고려해 최종적으로 모델의 파라미터를 유닛은 GRU로, 계층의 크기는 500으로, 학습 횟수는 100으로 설정하였다.
실질적 조사의 결과 우리의 모델은 전체 작업 시간을 약 56% 단축할 수 있을 것으로 기대된다. 특히 한 번의 수정작업 이후 다음 수정작업까지 걸리는 탐색의 횟수가 많을수록, 그 시간이 오래 걸릴수록 효과적이다.
그 결과 우리는 평균 약 91%의 정확도와 약 71%의 재현율을 달성하였다. 이러한 결과는 우리의 연구가 동작기록을 딥러닝 모델에 적용 가능하다는 점과 동작기록과 딥러닝 모델을 사용해 파일 수준에서 수정이 필요한 위치를 추천할 수 있음을 보인다.
Table 2는 각 프로젝트에 대한 모델들의 평균값으로 성능을 평가한 결과 표이다. 입력에 대한 예측 정확률의 임계값을 90%로 설정한 결과, 가장 높은 추천율을 보인 프로젝트는 ECF로 92%를 보였다. 가장 낮은 추천율을 보인 프로젝트는 Mylyn으로 59%를 보였으며, 평균 78%정도의 추천율을 보였다.
학습 횟수는 100, 500, 1000이다. 전체적으로는 먼저 유닛은 학습 횟수가 적을 때 GRU가 LSTM보다 성능이 조금 더 높지만, 그 외의 조건에서는 별다른 차이가 없었다. 다음으로 계층의 크기는 학습 횟수가 적을 때는 100보다 500, 1000의 성능이 약간 좋았지만, 이외에는 1000이 100, 500보다 약간 더 낮은 성능을 보였다.

후속연구

예를 들어 단 하나의 모델로 다양한 프로젝트에 적용가능 하도록 동작기록을 작업단위로 군집화 하고, 각 파일의 의미를 대표할 수 있는 기법에 대한 연구를 진행할 것이다. 또한 CNN과 RNN을 함깨 사용하는 연구 등 더욱 정확한 모델을 위한 조합 모델의 연구를 진행할 것이다.
본 연구의 실험 대상은 장기적이고 다양한 정보를 가지고 있어야 하며, 일반적이어야 한다. 따라서 우리는 이클립스의 ECF, MDT, Mylyn, PDE, Platform, Others 프로젝트의 동작 기록을 사용하기로 결정하였다.
그런데 소프트웨어 공학 문제에 딥러닝을 적용한 연구들은 상당한 수준의 성능을 보였다. 이러한 결과는 우리가 딥러닝을 사용하도록 하는 동기가 되었으며, 동작기록이 개정기록보다 더 많은 정보를 가지고 있어 딥러닝에 더 적합할 것이라 기대한다.
하지만 첫 번째 수정을 진행하면 세 번의 동작기록이 입력되기 때문에 바로 다음 수정해야 하는 파일을 추천하여 열여덟 번의 탐색을 뛰어넘어 약 11분의 시간을 단축할 수 있다. 이를 통해 예측한다면 실제 약 23분 걸렸던 탐색 및 수정 작업의 시간을 약 13분으로 약 56% 단축시킬 수 있을 것으로 기대한다.
향후 우리는 더 우수한 성능을 낼 수 있는 방법과 모델구현에 대한 연구를 진행할 것이다. 예를 들어 단 하나의 모델로 다양한 프로젝트에 적용가능 하도록 동작기록을 작업단위로 군집화 하고, 각 파일의 의미를 대표할 수 있는 기법에 대한 연구를 진행할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소프트웨어 프로젝트의 핵심 요소에는 무엇이 있는가?	시간, 품질, 비용은 소프트웨어 프로젝트의 핵심 요소이다. 특히 소프트웨어 프로젝트의 많은 특징 중 한시성 때문에 시간은 품질과 비용, 그 외 여러 요소에 영향을 미친다[1].
	딥러닝은 무엇인가?	딥러닝은 사람의 뇌를 본뜬 인공 신경망을 바탕으로 데이터를 이용하여 학습시키는 방법이다. 학습된 인공 신경망 모델은 주로 새로운 입력 데이터에 대한 결과를 예측한다.
	딥러닝의 인공 신경망은 어떠한 기능을 하는가?	딥러닝은 사람의 뇌를 본뜬 인공 신경망을 바탕으로 데이터를 이용하여 학습시키는 방법이다. 학습된 인공 신경망 모델은 주로 새로운 입력 데이터에 대한 결과를 예측한다. 그중 Recurrent Neural Network(RNN)은 Convolutional Neural Network(CNN)과 함께 딥러닝의 대표적인 인공 신경망이다.

참고문헌 (14)

J. S. Cho and J. C. Park, "A Study on The Project Schedule Management System Development for Small Scale IT Companies," The KORMS, pp.1264-1272. 2008.
S. A. Lee, S. W. Kang, S. H. Kim, and M. Staats, "The Impact of View Histories on Edit Recommendations," IEEE Transactions on Software Engineering, Vol.41, Issue 3, pp.314-330, 2015.

상세보기
V. Raychev, M. Vechev, and E. Yahav, "Code completion with statistical language models," in Proceedings of the ACM SIGPLAN Conference on Programming Language Design and Implementation, Edinburgh, pp.419-428, 2014.
T. T. Nguyen, A. T. Nguyen, H. A. Nguyen, and T. N. Nguyen, "A statistical semantic language model for source code," in Proceedings of the Joint Meeting on Foundations of Software Engineering, Saint Petersburg, pp.532-542, 2013.
A. T. Nguyen and T. N. Nguyen, "Graph-based statistical language model for code," in IEEE International Conference on Software Engineering, Florence, 2015.
X. Gu, H. Zhang, D. Zhang, and S. Kim, "Deep API learning," in Proceedings of the ACM SIGSOFT International Symposium on Foundation of Software Engineering, Seattle, pp.631-642, 2016.
X. Gu, H. Zhang, D. Zhang, and S. Kim, "DeepAM: Migrate APIs with multi-modal sequence to sequence learning," in Proceedings of International Joint Conference on Artificial Intelligence, Melbourne, pp.3675-3681, 2017.
S. R. Lee, M. J. Heo, C. G. Lee, M. Kim, and G. Jeong, "Applying deep learning based automatic bug triager to industrial projects," in Proceedings of the Joint Meeting on Foundations of Software Engineering, Paderborn, pp.926-931.
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, Vol.9, No.8 pp.1735-1780.

상세보기
J. Y. Chung, C. Gulcehre, K. H. Cho, and Y. Bengio, "Empirical evaluation of gated recurrent neural networks on sequence modeling," arXiv preprint arXiv:1412.3555, 2014.
D. P. Kingma and J. Ba, "Adam: A method for stochastic optimization," arXiv preprint arXiv:1412.6980, 2014.
R. Dyer, H. A. Nguyen, H. Rajan, and T. N. Nguyen, "Boa: Ultra-large-scale software repository and source-code mining," ACM Transactions on Software Engineering and Methodology, Vol.25, Issue 1, Article No.7, 2015.

상세보기
S. A. Lee, S. W. Kim, S. H. Kim, and M. Staats, "The impact of view histories on edit recommendations," IEEE Transactions on Software Engineering, Vol.41, No.3, pp.314-330, 2015.

상세보기
K. Damevski, D. C. Shepherd, J. Schneider, and L. Pollock, "Mining sequences of developer interactions in visual studio for usage smells," IEEE Transactions on Software Engineering, Vol.43, No.4, pp.359-371, 2016.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증