面向代码重构的 AI：使用图神经网络提升软件可维护性
人工智能
2025-04-15 v1 机器学习
软件工程
摘要
本研究探索图神经网络（GNN）作为代码重构工具的变革性应用，利用抽象语法树（AST）来提升软件可维护性。我们分析了来自 CodeSearchNet 的 200 万片代码片段以及自定义的 75000 文件 GitHub Python 语料库，比较了 GNN 与基于规则的 SonarQube 和决策树。指标包括环路复杂度（目标低于 10）、耦合度（目标低于 5）以及重构精度。GNN 实现了 92% 的准确率，将复杂度降低 35%，耦合度降低 33%，显著优于 SonarQube（78%，16%）和决策树（85%，25%）。预处理修复了 60% 的语法错误。通过柱状图、表格和 AST 可视化阐释结果。这为清洁代码库提供了可扩展的 AI 驱动路径，对于软件工程至关重要。
引用
@article{arxiv.2504.10412,
title = {AI-Driven Code Refactoring: Using Graph Neural Networks to Enhance Software Maintainability},
author = {Gopichand Bandarupalli},
journal= {arXiv preprint arXiv:2504.10412},
year = {2025}
}