The purpose of the code change recommendation system is to increase the productivity of the programmer by reducing the time spent on code navigation. Many systems utilize association rule mining methods in the revision history or behavior history to recommend the file or function to be changed to the programmer. However, many change recommendation systems using the association rule mining method are not recommended at all when new contexts that have not been learned in the past come in. This is because the association rule mining method considers only the context that perfectly matches the association rules mined in the past history. A context is a query statement that generates recommendation and is a set of actions. An action is a viewing or changing a file or method. In this paper, we apply the concept of artificial neural network to the code change recommendation system for the first time. In this paper, we propose a new method that can complement the limitation that no recommendation occurs when a new context that has not been learned in the past is introduced. We propose a code change recommendation system using artificial neural network.
Experiments were performed to compare the proposed method with the existing method. Experiments on 4 projects and 1868 interaction histories stored in Eclipse Bugzilla resulted in 390 recommendations for new contexts that were not recommended in the previous method. The precision and recall rate of recommendation were 0.55%, 0.34 %to be. Also, the number of motions required to generate the first recommendation decreased by about 30% compared to the conventional method, and the F1 score of the first recommendation increased about twice.
코드 변경 추천 시스템의 목적은 코드 탐색에 소요되는 시간을 줄임으로써 프로그래머의 생산성을 향상시키는 것이다. 많은 시스템에서는 수정 내역이나 동작 내역에서 연관 규칙 마이닝 방법을 사용하여 프로그래머에게 변경 될 파일을 추천한다. 그러나 연관 규칙 마이닝 방법을 사용하는 많은 추천 시스템은 과거에 학습되지 않은 새로운 문맥이 들어올 때 전혀 추천하지 못한다. 이는 연관 규칙 마이닝 방법이 마이닝된 연관 규칙과 완벽하게 일치하는 문맥만을 고려하기 때문이다.또한 연관 규칙에 완전히 일치하는 문맥이 발생하기 전까지 추천하지 못하기 때문에, 추천이 발생하는데 많은 시간이 소요된다. 여기서 문맥은 추천을 발생시키는 질의문이고, 이는 동작의 집합이다. 동작이란 프로그래머가 파일을 열람 혹은 변경하는 행위이다. 본 연구에서는 인공신경망의 개념을 최초로 코드 변경 추천 시스템에 적용하여, 새로운 문맥 발생 시에도 추천을 할 수 있는 방법을 제안한다. 이를 통해, 기존연구에서 과거에 학습되지 않은 새로운 문맥이 들어오는 경우에 추천이 발생하지 못하는 한계점을 극복한다. 그리고 해당 방법을 구현한 도구인 인공신경망을 이용한 코드 변경 추천 시스템을 제안한다.
제안한 방법을 평가하기 위해 기존 방법과 비교하는 실험을 수행한다. 비교 대상으로는 기존 방법중 가장 높은 정확도를 보이는 도구인 MI를 선정하였다. Eclipse Bugzilla에 저장된 4개의 프로젝트, 1868개의 동작 히스토리를 대상으로 실험한 결과, 기존의 방법에서는 추천하지 못했던 새로운 문맥에 대해서 추천이 390번 발생하였고, 이때 발생한 추천의 정밀도와 재현율은 각각 0.55%, 0.34%이다. 또한 새로운 문맥 발생 시에도 추천을 할 수 있게됨으로써, 첫 추천이 발생하는데 필요한 동작의 횟수가 기존 방법보다 약 30% 감소하였고, 첫 추천의 F1점수는 약 2배 상승하였다.
