1.基于语义与语法信息融合的代码摘要生成方法,其特征是,包括:获取待生成摘要的代码;
从待生成摘要的代码中分别提取图嵌入向量和节点嵌入向量;
将图嵌入向量和节点嵌入向量,输入到预训练的深度学习模型中,输出代码的摘要。
2.如权利要求1所述的方法,其特征是,提取图嵌入向量的步骤包括:对待生成摘要的代码,进行AST的树建模;
对树建模中的节点进行向量表示,得到每个节点的语法表示向量;
将所有节点的语法表示向量进行聚合,得到AST的图嵌入向量。
3.如权利要求2所述的方法,其特征是,对待生成摘要的代码,进行AST的树建模;具体包括:使用编译器对待生成摘要的代码进行语法提取,生成待生成摘要的代码的抽象语法树AST;
或者,
对树建模中的节点进行向量表示,得到每个节点的语法表示向量;具体包括:对抽象语法树AST节点进行向量编码,通过第一嵌入矩阵与节点的向量点乘得到节点的初始化向量,同理得到每个节点的初始化向量表示;即得到每个节点的语法表示向量;
或者,
将所有节点的表示向量进行聚合,是采用两个串联的图卷积网络GCN来实现对所有节点的表示向量的聚合,具体是:将所有节点的表示向量输入到第一图卷积网络中,将第一图卷积网络的输出值再输入到第二图卷积网络中,第二图卷积网络的输出值再输入到全连接层中,全连接层的输出即为AST的图嵌入向量。
4.如权利要求1所述的方法,其特征是,提取节点嵌入向量的步骤包括:对待生成摘要的代码,进行图建模;
对图建模中的节点进行向量表示,得到每个节点的初始化表示向量;
对每个节点的初始化表示向量,计算出每个节点的节点嵌入向量。
5.如权利要求4所述的方法,其特征是,
所述对待生成摘要的代码,进行图建模;具体步骤包括:对待生成摘要的代码,根据代码之间的调用依赖关系,进行图建模;获得待生成摘要代码的代码调用关系图;
或者,
所述对图建模中的节点进行向量表示,得到每个节点的初始化表示向量;具体步骤包括:对待生成摘要代码的代码调用关系图的节点进行向量编码,通过第二嵌入矩阵与节点的向量进行点乘,得到节点的初始化表示向量;
或者,
所述对每个节点的初始化表示向量,计算出每个节点的节点嵌入向量,是通过归纳节点算法来计算每个节点的节点嵌入向量;
或者,
所述对每个节点的初始化表示向量,计算出每个节点的节点嵌入向量,是利用归纳节点算法获取代码调用关系图节点的前向和后向嵌入向量,将节点前向嵌入向量与后向嵌入向量连接,得到最终的节点嵌入向量;同理可得每个节点的嵌入向量。
6.如权利要求1所述的方法,其特征是,将图嵌入向量和节点嵌入向量,输入到预训练的深度学习模型中,输出代码的摘要;具体步骤包括:在输入到预训练的深度学习模型之前,对每个节点嵌入向量分配不同的权重;将AST的图嵌入向量作为初始背景向量输入到预训练的深度学习模型中;预训练的深度学习模型对节点嵌入向量和AST的图嵌入向量进行融合,输出输出代码的摘要。
7.如权利要求1所述的方法,其特征是,,所述预训练的深度学习模型,其训练步骤包括:构建深度学习模型;
构建训练集;所述训练集,包括:已知源代码的AST图嵌入向量、已知源代码的节点嵌入向量和已知源代码的摘要对应的向量序列;
将训练集输入到深度学习模型中,对深度学习模型进行训练,当损失函数达到最小值,或者满足迭代次数时,得到预训练的深度学习模型。
8.基于语义与语法信息融合的代码摘要生成系统,其特征是,包括:获取模块,其被配置为:获取待生成摘要的代码;
向量提取模块,其被配置为:从待生成摘要的代码中分别提取图嵌入向量和节点嵌入向量;
摘要生成模块,其被配置为:将图嵌入向量和节点嵌入向量,输入到预训练的深度学习模型中,输出代码的摘要。
9.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。