[发明专利]基于多跳推理机制的代码摘要生成方法及系统

权利要求书

1.基于多跳推理机制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；

对待生成摘要的代码进行解析，生成抽象语法树；对抽象语法树进行特征提取，得到抽象语法树特征向量；

将抽象语法树特征向量和自然语言表述特征向量，输入到训练后的transformer模型中，得到代码的初始摘要；

对代码的初始摘要和已知的知识图谱，利用多跳推理算法进行处理，得到代码的推理摘要；

所述多跳推理算法的表达式为：

其中，f(·)是聚集来自连接结点的分数的聚合器，ns(v)表示结点v的分数；u表示访问的结点；r表示访问结点与v直接相连的边；γ是控制来自先前跳跃的信息流强度的折扣因子；ns(u)是指访问结点u的分数；

R(u,r,v)是三重相关性，反映了在当前背景下的三元组给(u,r,v)给出的证据的相关性；计算三重相关性：

表示代码的初始摘要；h_u,r,v中的u,r,v表示知识图谱中的实体概念；

在H跳之后，通过归一化获得结点上的最终分布：

p(c_t|s_t,G)＝softmax_v∈V(ns(v)) (3-4)

其中，c_t是在t时间步选取的结点的概念；p(c_t|s_t,G)表示代码的推理摘要，s_t表示s₁,s₂,s₃,…,s_t-1；

将代码的初始摘要和代码的推理摘要进行加权融合，得到最终的代码摘要。

2.如权利要求1所述的基于多跳推理机制的代码摘要生成方法，其特征是，对待生成摘要的代码进行解析，生成抽象语法树；具体包括：

利用JavaParser解析代码，生成其对应的抽象语法树；

其中，利用JavaParser解析代码，解析后得到两部分信息：一是抽象语法树结点所代表的信息；二是结点与结点的指向关系，存储边的信息。

3.如权利要求1所述的基于多跳推理机制的代码摘要生成方法，其特征是，对抽象语法树进行特征提取，得到抽象语法树特征向量；具体包括：

采用图卷积神经网络，对抽象语法树进行图嵌入，得到抽象语法树特征向量。

4.如权利要求1所述的基于多跳推理机制的代码摘要生成方法，其特征是，将抽象语法树特征向量和自然语言表述特征向量，输入到训练后的transformer模型中，得到代码的初始摘要；具体包括：

将抽象语法树特征向量输入到训练后的transformer模型的编码器，得到编码向量；

将获取的自然语言表述进行特征提取，得到自然语言表述特征向量；

将编码向量和自然语言表述特征向量，输入到训练后的transformer模型的解码器中，得到代码的初始摘要。

5.如权利要求1所述的基于多跳推理机制的代码摘要生成方法，其特征是，训练后的transformer模型，其训练步骤包括：

构建训练集；所述训练集，包括：已知代码摘要的代码片段和自然语言表述；

将训练集的代码片段解析，生成抽象语法树；对抽象语法树进行特征提取，得到抽象语法树特征向量；

将抽象语法树特征向量作为transformer模型的编码器的输入值；

将训练集的自然语言表述进行特征提取，得到自然语言表述特征向量；

将编码器的输出值和自然语言表述特征向量，均作为transformer模型的解码器的输入值，将训练集的已知代码摘要，作为transformer模型的解码器的输出值，对transformer模型进行训练，当模型的损失函数达到最小值时，停止训练，得到训练后的transformer模型。