结合全局上下文学习方法名推荐
软件工程
2022-03-09 v2
摘要
在编程中，程序实体（尤其是方法）的命名是理解代码功能的直观特征。为保证程序的可读性与可维护性，方法名应恰当命名。具体而言，名称应有意义且与代码库中相关上下文使用的其他名称一致。近年来，许多自动化方法被提出用于建议一致的方法名，其中基于神经机器翻译（NMT）的模型被广泛使用并取得了最优结果。然而，这些基于 NMT 的模型主要关注从方法体或周围方法中提取代码特定特征，忽略了目标方法的项目特定上下文与文档。我们进行统计分析以探索方法名与其上下文之间的关系。基于统计结果，我们提出 GTNM，一种基于全局 Transformer 的神经模型用于方法名建议，其同时考虑局部上下文、项目特定上下文以及方法的文档。在 Java 方法上的实验结果表明，我们的模型在方法名建议上大幅优于最优结果，证明了所提模型的有效性。
引用
@article{arxiv.2201.10705,
title = {Learning to Recommend Method Names with Global Context},
author = {Fang Liu and Ge Li and Zhiyi Fu and Shuai Lu and Yiyang Hao and Zhi Jin},
journal= {arXiv preprint arXiv:2201.10705},
year = {2022}
}
备注
Accepted for publication at ICSE 2022