.png){kind=icon}
返回
Automated code review systems using CodeBERT with multi-anchor space-aware temporal convolutional neural network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cola.2026.101396.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码审查是当代软件开发中不可或缺的过程，因为它需要通过错误检测和知识传递来提升代码质量，这通常耗时较长。基于学习的方法（包括Transformer模型）在自动化代码审查中表现出色，因为它们根据CodeBERT等研究中的积极结果，采用了多种基于学习的技术。然而，这些方法也带来了挑战，因为它们需要同时理解代码变更中的结构化元素和时间相关元素，以生成有价值的审查反馈。这种脱节促使人们希望有一种通用结构，能够联合建模语义和时间代码开发，从而完全自动化代码审查。本文提出了一种自动化代码审查框架，该框架将基于Transformer的预训练语言模型CodeBERT与多锚点空间感知时序卷积神经网络（MASATCNN）相结合。该框架旨在统一解决三个关键代码审查任务：代码变更质量评估、审查评论分类与生成、以及代码优化。通过结合上下文语义嵌入和空间感知时序特征提取，该框架有效捕捉了细粒度代码语义和结构演化模式。在多个基准数据集上评估了所提出的方法，并与经典基线和最新最先进的方法（包括高级Transformer和大型语言模型驱动的方法）进行了比较。实验结果表明，在所有任务中，所建议的框架始终优于竞争方法，分类准确率提高4至6个百分点，BLEU评分提高1个百分点，评论生成的人类评分相关性和信息量更高，选定的优化代码准确率显著提升。这些发现表明了语义和时序建模相结合在自动化代码审查中的有效性，并展示了所提出的框架如何支持可扩展且高质量的软件开发流程。
Keyword:
Automated code Review
CodeBERT
Deep learning
Multi-anchor space-aware temporal convolu-tional neural network
Natural language processing
Transformer models
期刊
J
IF:
1.8
论文数:
28
被引数:
323
机构
引用论文
Automating modern code review processes with code similarity measurement通过代码相似性度量实现现代代码审查流程的自动化
PREAI
分享收藏
分享收藏分享收藏AI-Assisted Programming Tasks Using Code Embeddings and Transformers基于代码嵌入和Transformer的AI辅助编程任务.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容