Assistenten zur Code-Vervollständigung sind ein etablierter Bestandteil des Werkzeugarsenals bei der Programmenwicklung in modernen Entwicklungsumgebungen. Solche Assistenten sind eine große Hilfe bei der Suche in und der Manipulation von Quellcode. Trotzdem verbringen Entwickler, so Ko et al. [KMCA06], bis zu 40 percent ihrer Zeit mit dem Durchsuchen und Analysieren der Codebasis. Angesichts des Trends zu immer größeren und komplexeren Soft- waresystemen, der sich in den letzten Jahrzehnten gezeigt hat, ist es wahrscheinlich, dass das Gewicht solcher Aufgaben in den kommenden Jahren weiter zunimmt.

Viele heutige Assistenten zur Code-Vervollständigung basieren noch auf einfachen Ver- fahren wie alphabetischen Listen aller möglichen Vervollständigungen, Befehlshistorien oder Heuristiken auf den Inhalten des aktuellen Dokuments. Erst vor Kurzem hat das ‘"Code Recommenders’"-Projekt von Bruch et al. [Bru12] gezeigt, dass Verfahren aus dem Machienen- lernen erfolgreich für neuartige Vorschlagssysteme eingesetzt werden können. Ein Ergebnis, das deutliche Produktivitätssteigerung in der Entwicklung verspricht.

Aktuell ist ein Problem dieser neuen Vorschlagssysteme, dass zum Erlernen neuer Modelle Datenmining auf Code-Repositories notwendig ist und, dass der Lernprozess von Vorne be- gonnen werden muss, wenn neue Informationen berücksichtigt werden sollen. Deshalb stellen wir in dieser Arbeit einer Erweiterung des ‘"Code Recommenders’"-System vor, mit der wir die Logik zur Datensammlung in die Entwicklungsumgebung verschieben und inkrementelle Lern- prozesse verwenden, um Vorschlagsmodelle aus dem impliziten Feedback der Entwickler zu lernen. Wir evaluieren diese Arbeit mit verschiedenen Algorithmen und Feature-Sets in diesem Crowd-basierten Code-Vervollständigungs-Framework.