关于源代码编辑的多模态学习
软件工程
2021-08-17 v1 机器学习
编程语言
摘要
近年来，神经机器翻译器（NMT）在自动编辑源代码方面展现出潜力。典型的基于 NMT 的代码编辑器仅将需要更改的代码作为输入，并向开发者提供一份排序后的补丁代码列表以供选择——其中正确的补丁未必总是位于列表顶端。虽然基于 NMT 的代码编辑系统能生成大量合理的补丁，但正确的补丁取决于开发者的需求，且常常取决于补丁所应用的上下文。因此，若开发者提供一些提示（使用自然语言）或提供补丁上下文，NMT 模型便可从中受益。作为概念验证，在本研究中，我们利用三种信息模态：编辑位置、编辑代码上下文、提交信息（作为开发者自然语言提示的代理），以通过 NMT 模型自动生成编辑。为此，我们构建了 MODIT，一个基于多模态 NMT 的代码编辑引擎。通过深入调研与分析，我们表明，将开发者提示作为一种输入模态能够缩小补丁的搜索空间，并在生成 top-1 位置正确补丁代码方面优于最先进的模型。
引用
@article{arxiv.2108.06645,
title = {On Multi-Modal Learning of Editing Source Code},
author = {Saikat Chakraborty and Baishakhi Ray},
journal= {arXiv preprint arXiv:2108.06645},
year = {2021}
}
备注
Accepted for publication in 36th IEEE/ACM conference on Automated Software Engineering (ASE-2021)