CodeRAnts: A recommendation method based on collaborative searching and ant colonies, applied to reusing of open source code

Coderants: método de recomendación basado en la búsqueda colaborativa y las colonias de hormigas. Aplicado a la reutilización del código fuente abierto

Este artículo presenta CodeRAnts: un nuevo método de recomendación basado en la técnica de búsqueda colaborativa e inspirada en la metáfora de la colonia de hormigas. Este método es propuesto con el objetivo de llenar el vacío en el estado del arte en cuanto a los sistemas de recomendación diseñados para reutilizar software, cuyos trabajos previos presentan dos problemas. El primero, es que los sistemas de recomendación basados en esos trabajos no pueden aprender de la colaboración de los programadores, y segundo, que los resultados de las pruebas realizados sobre estos sistemas presentan medidas bajas de precisión y remembranza, incluso, en algunos de estos sistemas no se hizo una evaluación de estas métricas. La contribución de este trabajo es un método de recomendación que resuelva dichos problemas.

Introducción

Este artículo presenta los conceptos y el diseño tenidos en cuenta en CodeRAnts, que es un nuevo método de recomendación propuesto para ayudar a los ingenieros de software y a los programadores informáticos en la reutilización del código fuente, permitiéndoles recuperar fragmentos de código útiles (potencialmente escritos en cualquier lenguaje de programación) para la implementación de nuevos productos de software. CodeRAnts se basa en dos enfoques. El primero es la búsqueda colaborativa, que aprovecha la similitud y la repetición de las consultas que han utilizado los programadores, que son los interesados en la búsqueda de fragmentos de código. La segunda es la metáfora de la colonia de hormigas. Consideramos que este enfoque aborda dos cuestiones. En primer lugar, pretende resolver el problema del arranque en frío; por ejemplo, un sistema que implemente CodeRAnts puede sugerir fragmentos de código, incluso mientras recibe nuevas consultas. En segundo lugar, inicia el uso del sistema de recomendaciones, la estructura utilizada para guardar las consultas tendrá poca información; por lo tanto, es necesario resolver el problema relacionado con la escasez de datos de la matriz de clasificación de consultas, que se utiliza en la búsqueda colaborativa.

La evaluación preliminar realizada en este trabajo muestra mejores valores para las métricas de precisión y recall que los alcanzados en el estado del arte. Estas métricas son las más utilizadas para evaluar los sistemas de recomendación (Basu et al., 1998; Billsus y Pazzani, 1998; Sarwar et al., 2000a,b; Picault et al., 2010; Bedi y Sharma, 2012). En términos matemáticos, la precisión (véase la expresión

1) es el número de elementos recuperados y relevantes, dividido por el número total de elementos recuperados. Por otro lado, la recuperación (véase la expresión 2) es el número de elementos relevantes recuperados, dividido por el número total de elementos relevantes.