基于图卷积神经网络的函数自动命名.pdf

《基于图卷积神经网络的函数自动命名》 在软件工程领域，函数自动命名是一项关键任务，它旨在为源代码自动生成目标函数名，以提高程序的可读性和加速开发进程。传统方法主要依赖序列模型，然而这些方法往往面临长程依赖问题和代码结构编码难题。针对这些问题，本文提出了一种创新的解决方案——TrGCN，即基于Transformer和图卷积网络（Graph Convolutional Network）的自动命名方法。 TrGCN结合了Transformer的自注意力机制和图卷积网络的优势。Transformer的自注意力机制能够有效地处理长程依赖问题，通过计算不同位置的元素之间的相互关系，使得模型可以关注到源代码的全局信息。而Character-word注意力机制则专注于提取代码的语义信息，通过字符级和单词级的联合注意力，捕捉到代码的细粒度含义。 图卷积网络（GCN）在TrGCN中扮演了核心角色，被用于构建AST（抽象语法树）编码器。AST是一种表示程序结构的有效方式，每个节点代表代码的一个部分，如变量、操作符或函数。通过GCN，可以对AST节点进行多次迭代，传递和融合相邻节点的信息，从而丰富每个节点的特征向量，更准确地捕获代码的结构信息。 实验部分，TrGCN在三个不同规模的数据集上进行了验证，结果显示其性能优于现有的广泛使用的模型code2seq和Sequence-GNNs。在F1分数上，TrGCN平均提升了5.2%和2.1%，这表明TrGCN在函数自动命名任务上的表现更优。 总结来说，本文提出的TrGCN模型是解决函数自动命名问题的一种先进方法，它巧妙地融合了Transformer和GCN的优势，解决了传统方法的局限性，特别是在处理代码的结构信息和语义信息方面表现出色。这一成果对于提升软件开发效率，优化代码可读性具有重要意义，并为未来的深度学习在软件工程领域的应用提供了新的思路。