본 논문은 공개 코드 리뷰(PCR)에서 개발자의 리뷰 요청의 질을 높이는 데 초점을 맞춘 Knowledge-guided Prompt learning for Public Code Review (KP-PCR) 모델을 제안합니다. 기존 PCR 연구가 주로 리뷰어 관점에 집중한 것과 달리, 본 논문은 개발자의 리뷰 요청의 필요성 예측과 태그 추천이라는 두 가지 하위 과제를 통해 개발자 중심의 리뷰 요청 품질 보증을 목표로 합니다. KP-PCR은 하드 프롬프트를 사용한 텍스트 프롬프트 튜닝과 소프트 프롬프트를 이용한 사전 훈련된 대규모 언어 모델의 지식 안내 및 프로그램 종속 그래프를 활용한 코드 접두사 튜닝을 통해 두 하위 과제를 마스크 언어 모델(MLM)로 변환합니다. 최종적으로 답변 엔지니어링 모듈을 통해 예측 결과를 출력합니다. 2011년부터 2023년까지의 PCR 데이터셋을 사용한 실험 결과, KP-PCR은 기존 모델보다 요청 필요성 예측에서 2.3%-8.4%, 태그 추천에서 1.4%-6.9% 향상된 성능을 보였습니다. 코드는 깃허브에 공개되었습니다.
