As software systems grow in size and complexity, the process of configuring them to meet individual needs becomes more and more challenging. Users, especially those that are new to a system, are faced with an ever increasing number of configuration possibilities, making the task of choosing the right one more and more daunting. However, users are rarely alone in using a software system. Crowds of other users or the designers themselves can provide with examples and rules as to what constitutes a meaningful configuration. We introduce a technique for designing optimal interactive configuration elicitation dialogs, aimed at utilizing crowd and expert information to reduce the amount of manual configuration effort. A repository of existing user configurations supplies us with information about popular ways to complete an existing partial configuration. Designers augment this information with their own constraints. A Markov decision process (MDP) model is then created to encode configuration elicitation dialogs that maximize the automatic configuration decisions based on the crowd and the designers’ information. A genetic algorithm is employed to solve the MDP when problem sizes prevent use of common exact techniques. In our evaluation with various configuration models we show that the technique is feasible, saves configuration effort and scales for real problem sizes of a few hundreds of features.

中文翻译：

---

使用人群偏好和领域知识有效地获取软件配置

随着软件系统规模和复杂性的增长，配置它们以满足个人需求的过程变得越来越具有挑战性。用户，尤其是那些刚接触系统的用户，面临着越来越多的配置可能性，这使得选择合适的配置的任务越来越艰巨。然而，用户很少单独使用软件系统。其他用户的人群或设计者自己可以提供关于什么构成有意义的配置的示例和规则。我们介绍了一种设计最佳交互式配置引发对话框的技术，旨在利用人群和专家信息来减少手动配置工作量。现有用户配置的存储库为我们提供了有关完成现有部分配置的流行方法的信息。设计者用他们自己的约束来增加这些信息。然后创建一个马尔可夫决策过程 (MDP) 模型来编码配置启发对话，从而最大化基于人群和设计者信息的自动配置决策。当问题规模无法使用常见的精确技术时，将采用遗传算法来解决 MDP。在我们对各种配置模型的评估中，我们表明该技术是可行的，可以节省配置工作量，并且可以针对数百个特征的实际问题规模进行扩展。然后创建一个马尔可夫决策过程 (MDP) 模型来编码配置启发对话，从而最大化基于人群和设计者信息的自动配置决策。当问题规模无法使用常见的精确技术时，将采用遗传算法来解决 MDP。在我们对各种配置模型的评估中，我们表明该技术是可行的，可以节省配置工作量，并且可以针对数百个特征的实际问题规模进行扩展。然后创建一个马尔可夫决策过程 (MDP) 模型来编码配置启发对话，从而最大化基于人群和设计者信息的自动配置决策。当问题规模无法使用常见的精确技术时，将采用遗传算法来解决 MDP。在我们对各种配置模型的评估中，我们表明该技术是可行的，可以节省配置工作量，并且可以针对数百个特征的实际问题规模进行扩展。