申请/专利权人：武汉大学

申请日：2019-12-26

公开（公告）日：2020-05-22

公开（公告）号：CN111191002A

主分类号：G06F16/33(20190101)

分类号：G06F16/33(20190101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2020.06.16#实质审查的生效;2020.05.22#公开

摘要：本发明公开了一种基于分层嵌入的神经代码搜索方法，包括收集代码搜索数据集；对收集的代码搜索数据集进行预处理；对预处理后的语料数据进行结构化分词以及比例划分；构建依次包含内部信息编码模块、交互信息编码模块、相似度匹配模块的分层嵌入神经代码搜索模型HECS，并设置训练网络的合页损失函数；对HECS设置初始化参数，并利用训练集来训练拟合HECS模型的参数，直到在验证集上迭代预设次直到合页损失函数收敛，得到训练好的HECS模型；利用训练好的HECS模型对待处理的查询进行预测，获得与查询对应的代码搜索结果。本发明的方法可以更好地捕获查询与矢量空间中相应代码段之间的相似性，提高模型的搜索和预测性能。

主权项：1.一种基于分层嵌入的神经代码搜索方法，其特征在于，包括：步骤S1：收集代码搜索数据集；步骤S2：对收集的代码搜索数据集进行预处理；步骤S3：对预处理后的语料数据进行结构化分词以及比例划分，获得训练集、验证集和测试集；步骤S4：构建依次包含内部信息编码模块、交互信息编码模块、相似度匹配模块的分层嵌入神经代码搜索模型HECS，并设置训练网络的合页损失函数，其中，内部信息编码模块用以捕获并初始编码代码段和查询的序列信息，交互信息编码模块用以捕获并编码代码段和查询的交互信息，相似度匹配模块用以预测代码段和查询之间的相似性；步骤S5：对HECS设置初始化参数，并利用训练集来训练拟合HECS模型的参数，直到在验证集上迭代预设次直到合页损失函数收敛，得到训练好的HECS模型；步骤S6：利用训练好的HECS模型对待处理的查询进行预测，获得与查询对应的代码搜索结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于分层嵌入的神经代码搜索方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD