检索结果-南通市图书馆

计算机研究与发展 2020年第9期57卷 1987-2000页

作者：张世琨谢睿叶蔚陈龙北京大学软件工程国家工程研究中心北京100871 北京大学软件与微电子学院北京100871

代码摘要(code summary)是对一段源代码简短的自然语言描述,代码自动摘要(code summarization)技术通过自动化地生成代码摘要辅助开发者更好地理解程序代码,该技术在许多软件开发活动中都具有重要的应用价值.代码自动摘要同时结合了机... 详细信息

代码摘要(code summary)是对一段源代码简短的自然语言描述,代码自动摘要(code summarization)技术通过自动化地生成代码摘要辅助开发者更好地理解程序代码,该技术在许多软件开发活动中都具有重要的应用价值.代码自动摘要同时结合了机器翻译和文本摘要2个任务,如何更好地对代码建模以及如何更好地筛选代码中的关键信息是代码摘要所面临的主要挑战.受人类写摘要时的习惯和相关研究的启发,提出了一种基于关键词的代码自动摘要方法(keyword-based source code summarization,KBCoS).该方法将函数签名和API(application programming interface)调用视为关键词,并利用关键词序列来优化解码器注意力机制中的权重分布,使模型在生成摘要时更集中地关注代码中的重要信息.此外,为克服代码符号词汇表过大的问题,提出了符号部分拆分算法,即当符号不在词表中时,依据常用命名规则将符号拆成子符号的序列.该算法简单有效,能很好地平衡代码符号序列长度和未登录词数目之间的矛盾.选用了带有注意力机制的序列到序列模型作为基准模型,并在公开的Java代码摘要数据集上进行了评估.实验表明,基于关键词的注意力机制和部分拆分算法在BLEU-4,METEOR,ROUGE-L这3个评测指标上均能提升基准模型的表现.同时,在另一个Python数据集上也取得了一致的实验结果.最后,将KBCoS与现有模型相结合,在Java数据集上取得了当前最好的结果,该结果表明KBCoS也能改进现有的其他模型.评测结果和注意力权重的热力图都表明了KBCoS的有效性.

关键词：代码自动摘要未登录词注意力机制关键词编码器解码器序列到序列

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多模态特征的代码自动摘要技术研究

基于多模态特征的代码自动摘要技术研究

引用

作者：高学剑山东师范大学

学位级别：硕士

近几年,随着软件规模迅速扩大和软件更新频率不断加快,程序开发者面临愈来愈大的开发与维护压力。在软件开发与维护过程中,快速理解相关源代码是程序开发人员进行代码修改的前提。与自然语言相比,程序具有体量大、强结构性、抽象性等特... 详细信息

近几年,随着软件规模迅速扩大和软件更新频率不断加快,程序开发者面临愈来愈大的开发与维护压力。在软件开发与维护过程中,快速理解相关源代码是程序开发人员进行代码修改的前提。与自然语言相比,程序具有体量大、强结构性、抽象性等特点,这些都会造成程序理解困难。代码自动摘要技术可自动总结相关代码功能,输出简洁而准确的自然语言描述,在帮助程序开发者正确理解源代码的同时提高软件开发与维护效率。当前,代码自动摘要技术可分为基于模板,基于信息检索和基于深度学习三种主要类别。其中,基于模板的代码自动摘要技术依赖于事先定义规则或模板,耗时耗力,且当函数名,自定义标识符命名不规范时难以得到有效摘要;基于信息检索的代码自动摘要技术借助开发人员的先验知识且在摘要生成过程中很少考虑到程序的结构信息;与之类比,基于深度学习的代码自动摘要技术可根据已有数据自动学习程序结构特征且具有可扩展性,近年来逐渐受到研究者的青睐。然而,当前基于深度学习的代码自动摘要技术不足在于:(1)代码中的API信息对程序语义表达很重要且API之间的调用依赖更适宜表达为图结构,现有技术极少考虑这种信息并进行相应的图建模;(2)代码是语法和语义的混合结构,当前技术在对程序单一特征或多模态特征建模过程中忽略了代码语义与语法结构之间的关联性;(3)由于程序作用域会增加依赖间隔,现有技术大多通过Seq2Seq的序列化解码方式,在捕捉程序长依赖方面具有一定局限性。为解决上述问题,本文开展了一系列研究,主要包括以下三个方面:(1)针对代码API信息图建模问题,本文提出了一种局部API调用依赖图(LocalADG)的代码语义图建模方法,以提升对代码语义的表征能力。Local-ADG会提取单个代码片段中的API信息,并根据API之间的调用依赖关系和输入输出参数构建图表示。Local-ADG扩展了程序语义表达方式,可有效表达代码语义知识,提升程序语义表征能力。(2)针对程序特征知识提取过程中未能考虑代码语义与语法结构之间的关联性问题,本文提出了基于相似网络的多模态程序结构特征融合方法和基于注意力机制的多模态程序结构特征融合方法。有效提取了程序语义和语法之间的关联性知识,对整体程序特征表达更全面,可有效提升摘要信息的鲁棒性。(3)针对程序作用域引发的长依赖问题,本文提出了基于Transformer的程序学习模型。Transformer完全依赖于注意力机制对输入输出的全局依赖关系进行建模。可有效捕捉长依赖关系且更具有可解释性,减轻网络的记忆负担,提高自然语言摘要的准确性。

关键词：代码自动摘要 API依赖图 Transformer 图神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模态表征增强的代码自动摘要技术研究

基于多模态表征增强的代码自动摘要技术研究

引用

作者：马正山东师范大学

学位级别：硕士

随着互联网技术的快速发展,软件的规模变得越来越大,结构变得越来越复杂,伴随而来的是程序开发人员的压力不断加大。在程序开发和维护过程中,程序开发人员往往会在代码功能的理解上花费大量的时间和精力。因此,为了缓解开发人员的压力,... 详细信息

随着互联网技术的快速发展,软件的规模变得越来越大,结构变得越来越复杂,伴随而来的是程序开发人员的压力不断加大。在程序开发和维护过程中,程序开发人员往往会在代码功能的理解上花费大量的时间和精力。因此,为了缓解开发人员的压力,提高软件开发的效率,代码自动摘要技术应运而生。技术可以根据输入代码自动生成相应的自然语言描述,以表达源代码实现的功能,帮助软件开发人员正确且快速的理解源代码,从而提高开发人员的效率。目前代码自动摘要技术主要分为三类:基于模板,基于信息检索和基于深度学习。其中,基于模板的代码自动摘要方法主要是根据创建的一些手工制作的模板来生成代码注释,这种方法要求代码的函数名和自定义标识符名必须是规范的,否则影响生成摘要的质量;基于信息检索的代码自动摘要方法主要应用向量空间模型从相似的代码片段中搜索摘要,这种方法生成的摘要质量受相似代码的影响;基于深度学习的代码自动摘要技术主要是利用深度学习技术对模型进行训练,训练后的模型具有对源代码生成摘要的能力,这种方法能够考虑到源代码的结构信息,具有可扩展性。近年来,基于深度学习的代码自动摘要技术的研究成为主流的研究方向。然而,当前基于深度学习的代码自动摘要技术也存在以下几个问题:(1)代码的词序列(Token)模态与抽象语法树(AST)模态之间存在细粒度(如词汇语义和节点属性)的关联,通过这种细粒度的关联把两个模态融合起来会为摘要生成提供更多的提示信息,现有的技术没有考虑到这两个模态之间的关联;(2)代码的AST模态信息应用需要在保留结构信息的情况下提高效率,当前技术直接用基于树的神经网络编码AST的模型会导致训练时间长和梯度消失的问题,另外将AST扁平化为序列的线性化方法,本质上又会丢失AST的层次信息;(3)代码的AST模态的语法规则信息对摘要生成非常重要,现有的技术极少在该领域考虑这种信息。为了解决上述的问题,本文提出了基于多模态表征增强的代码自动摘要技术,研究内容主要包括以下三个方面:(1)针对忽视代码的Token模态与AST模态之间存在细粒度的关联的问题,本文提出了基于多模态细粒度特征融合的代码自动摘要方法,将代码的Token模态与AST模态进行细粒度融合,以更加全面的表征代码的信息。细粒度特征匹配模块会将代码的Token模态与AST模态的向量进行细粒度的匹配,然后细粒度特征融合模块会通过匹配的信息将两个模态进行融合。(2)针对当前代码的AST模态信息应用不能同时兼顾结构信息和编码效率的问题,本文提出了基于AST模块化特征增强的多模态代码自动摘要方法,将代码的AST模态进行模块化拆分,然后使用逐级聚合的方法来有效提高的AST的编码效率,并保留了AST的结构信息,减少了梯度消失问题的出现,能有效提升生成摘要的鲁棒性。(3)针对代码的AST模态语法规则未能被考虑的问题,本文提出了将AST模态语法规则应用于代码自动摘要。这可以进一步获取AST的信息,更加全面的表征代码的信息,为摘要生成提供更多的提示信息。

关键词：代码自动摘要细粒度融合模块化拆分逐级聚合语法规则

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于门控卷积神经网络的代码自动摘要算法

基于门控卷积神经网络的代码自动摘要算法

引用

作者：杨成荣云南大学

学位级别：硕士

随着互联网技术的发展和开源社区的兴起,开源代码的数量急剧增加,从开源社区中发掘出有用信息需要耗费大量的时间和精力。自动摘要技术广泛地应用于文本主要内容的获取,但针对代码的相关技术研究较少。本文使用深度学习思想解决这一问题... 详细信息

随着互联网技术的发展和开源社区的兴起,开源代码的数量急剧增加,从开源社区中发掘出有用信息需要耗费大量的时间和精力。自动摘要技术广泛地应用于文本主要内容的获取,但针对代码的相关技术研究较少。本文使用深度学习思想解决这一问题,利用卷积神经网络(Convolutional Neural Networks,CNN)模型提取代码特征,从而缓解信息爆炸带给人们的时间精力问题。本文对代码自动摘要问题进行了分析,将问题拆分为代码特征提取和摘要自动生成两个子问题,结合深度学习中端到端的模型设计思想,在设计模型时综合考虑这两个问题,提出了一种基于深度学习的代码自动摘要模型。本文首先对代码特征提取问题进行了研究,本文使用门控卷积神经网络提取代码的文本特征,在门控卷积神经网络中,对输入元素添加位置信息以获取序列中词的位置,引入门控线性单元使模型可以选择对预测有益的词或者特征,利用残差连接解决梯度弥散问题。本文使用抽象语法树卷积神经网络提取代码的结构特征,在抽象语法树卷积神经网络中,使用Tree-Based CNN和Pre-Order CNN相结合的方式,获取语法树中节点的完整信息。本文其次对摘要自动生成问题进行了研究,使用长短期记忆网络(Long Short Term Memory Network,LSTM)学习中的短序列信息。在模型中引入了注意力机制,有效解决了编码器将源句子中的所有信息编码成固定长度矢量的负担问题,从而保留了更多的编码器特征以便于解码器使用。为了验证代码自动摘要模型的可靠性,本文与统计机器翻译模型、基于深度学习的多文档自动摘要模型以及序列到序列模型(Sequence to Sequence,Seq2Seq)和基于卷积神经网络的序列到序列模型(Convolution Sequence to Sequence,Convolution Seq2Seq)两个经典的机器翻译模型进行对比,证明了代码自动摘要模型是有效可靠的。

关键词：代码自动摘要端到端模型卷积神经网络 LSTM

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于分层表示和上下文增强的类摘要生成技术

引用

计算机研究与发展 2024年第2期61卷 307-323页

作者：陈豪伶虞慧群范贵生李明辰黄子杰华东理工大学计算机科学与工程系上海200237

代码摘要是源代码的自然语言解释,高质量的代码摘要有助于提高开发人员程序理解效率.近年来,代码自动摘要的研究集中在为方法粒度的代码片段生成摘要.然而,对于面向对象的语言,例如Java,类才是项目的基本组成单元.基于上述问题,提出一... 详细信息

代码摘要是源代码的自然语言解释,高质量的代码摘要有助于提高开发人员程序理解效率.近年来,代码自动摘要的研究集中在为方法粒度的代码片段生成摘要.然而,对于面向对象的语言,例如Java,类才是项目的基本组成单元.基于上述问题,提出一种基于分层表示和上下文增强的类摘要生成方法HRCE(hierarchical representation and context enhancement),并构建了一个包含358 992个?Java类,上下文,摘要?数据对的类摘要数据集.HRCE使用代码精简策略去除类的非关键代码,从而缩短代码长度.然后,对类的层次结构,包括类签名、属性和方法分别进行建模,获得类的语义信息和层次结构信息.此外,从项目中抽取父类的签名及摘要来刻画类在项目中依赖的上下文.实验表明,基于分层表示和上下文增强的生成模型能够表征代码的语义和层次结构,并可以从目标类的内部和外部获取信息. HRCE在BLEU,METEOR,ROUGE-L等评估指标上超过了所有基准模型.

关键词：代码自动摘要分层表示上下文增强深度学习类摘要

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：