MQDD: Pre-training of Multimodal Question Duplicity Detection for Software Engineering Domain
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43970053" target="_blank" >RIV/49777513:23520/23:43970053 - isvavai.cz</a>
Výsledek na webu
<a href="https://aclanthology.org/2023.ranlp-1.89/" target="_blank" >https://aclanthology.org/2023.ranlp-1.89/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.26615/978-954-452-092-2_089" target="_blank" >10.26615/978-954-452-092-2_089</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
MQDD: Pre-training of Multimodal Question Duplicity Detection for Software Engineering Domain
Popis výsledku v původním jazyce
This work proposes a new pipeline for leveraging data collected on the Stack Overflow website for pre-training a multimodal model for searching duplicates on question answering websites. Our multimodal model is trained on question descriptions and source codes in multiple programming languages. We design two new learning objectives to improve duplicate detection capabilities. The result of this work is a mature, fine-tuned Multimodal Question Duplicity Detection (MQDD) model, ready to be integrated into a Stack Overflow search system, where it can help users find answers for already answered questions. Alongside the MQDD model, we release two datasets related to the software engineering domain. The first Stack Overflow Dataset (SOD) represents a massive corpus of paired questions and answers. The second Stack Overflow Duplicity Dataset (SODD) contains data for training duplicate detection models.
Název v anglickém jazyce
MQDD: Pre-training of Multimodal Question Duplicity Detection for Software Engineering Domain
Popis výsledku anglicky
This work proposes a new pipeline for leveraging data collected on the Stack Overflow website for pre-training a multimodal model for searching duplicates on question answering websites. Our multimodal model is trained on question descriptions and source codes in multiple programming languages. We design two new learning objectives to improve duplicate detection capabilities. The result of this work is a mature, fine-tuned Multimodal Question Duplicity Detection (MQDD) model, ready to be integrated into a Stack Overflow search system, where it can help users find answers for already answered questions. Alongside the MQDD model, we release two datasets related to the software engineering domain. The first Stack Overflow Dataset (SOD) represents a massive corpus of paired questions and answers. The second Stack Overflow Duplicity Dataset (SODD) contains data for training duplicate detection models.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Deep Learning for Natural Language Processing Methods and Applications
ISBN
978-954-452-092-2
ISSN
—
e-ISSN
2603-2813
Počet stran výsledku
12
Strana od-do
824-835
Název nakladatele
INCOMA Ltd.
Místo vydání
Shoumen
Místo konání akce
Varna
Datum konání akce
4. 9. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—