.png){kind=icon}
返回
Cloud software code generation via knowledge graphs and multi-modal learning
.png){kind=icon}
OA
AI
DOI：10.1186/s13677-025-00758-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着云计算持续快速发展，云原生应用的需求不断增长，导致开发要求变得更加复杂和多样化。在此背景下，自动化代码生成在加速云原生应用开发中发挥着关键作用。然而，现有研究往往忽视利用多种程序表示的潜力，通常仅关注从结构良好的程序中衍生的一种形式。本文表明，整合多种程序表示（具体为代码片段及其关联的AST）可以显著提升云原生应用的代码生成效果。我们构建了一个代码知识图谱（CodeKG），基于文本和结构相似性检索相关程序，为生成过程提供更丰富的上下文信息。为实现这种整合，我们设计了一个采用共享记忆网络（shared-RetNet）和基于AST的Transformer的框架，用于从自然语言、代码标记和AST中提取并对其特征。通过应用对比损失和交叉注意力机制，我们的方法有效融合了不同模态，强化了代码生成性能。在两个处理后的开源数据集上的实验表明，在不依赖大规模预训练的情况下，我们的方法在BLEU-4、CodeBLEU和ROUGE-L指标上均优于现有的预训练模型，为更高效、智能的云原生软件开发铺平了道路。
Keyword:
Cloud computing
Software engineering
Code generation
Multi-modal learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
0
论文数:
22
被引数:
1
机构
引用论文
A Service Recommendation Algorithm Based on Knowledge Graph and Collaborative Filtering基于知识图谱和协同过滤的服务推荐算法.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Artificial Intelligence in System and Software Engineering for Auto Code Generation人工智能在系统与软件工程中的自动代码生成
PREAI
分享收藏
查看更多内容