基于无监督相似度度量集成的高级源代码克隆检测

准确确定代码相似性的能力在软件开发的许多任务中至关重要。例如，识别代码重复对于执行软件维护可能至关重要。本研究提出了一种新颖的集成学习方法用于代码相似性评估，结合了多种无监督相似度度量的优势。关键思想是，一组多样化的相似度度量的优势可以相互补充，弥补各自的弱点，从而提高性能。初步结果表明，虽然基于Transformer的CodeBERT及其变体GraphCodeBERT在训练数据充足时无疑是最佳选择，但在特定小数据集（最多500个样本）的情况下，我们的集成方法取得了相似的结果，且不影响所得结果的可解释性，并且由于训练而具有更低的碳足迹。该新方法的源代码可从https://github.com/jorge-martinez-gil/ensemble-codesim下载。