Since recommendation systems select and recommends file that need to be modified, they help developers save time. However, these recommended systems take a lot of time to learn accumulated data. A code change recommendation system using a recurrent neural network (RNN-CRS) should obtain the appropriate sliding window size to create a good learning model, which consumes a lot of time because RNN-CRS learns data repeatedly by changing the sliding window size. This study proposes a method to reduce the time spent on learning by reducing the repetition of learning in RNN-CRS. When a proper sliding window size is obtained, the proposed method reduces the time required to accumulate data and re-create learning models to as little as 1/(number of sliding windows used in learning).
개발자에게 수정이 필요한 파일을 추천하는 시스템은 개발자의 작업 시간을 줄여주는 역할을 한다. 하지만 이러한 추천 시스템은 축적된 데이터를 학습할 때 많은 시간이 든다. 순환 인공 신경망을 이용하는 코드 변경 추천 시스템(RNN-CRS)은 성능이 좋은 학습 모델을 생성하기 위해 적절한 슬라이딩 윈도우 크기를 구해야 하는데, 이 과정에 RNN-CRS은 슬라이딩 윈도우 크기를 변경해가며 반복하여 데이터를 학습하기 때문에 많은 시간을 소모하게 된다. 본 연구는 RNN-CRS의 학습의 반복을 줄여 학습에 소요되는 시간을 줄이는 방법을 제안한다. 제안한 방법은 데이터가 축적되어 학습 모델을 다시 생성하기 위하여 적절한 슬라이딩 윈도우 크기를 구할 때 기존 연구에 비해 소요되는 시간을 최대 약 1/(학습에 이용했던 슬라이딩 윈도우 개수)까지 줄인다.
