.png){kind=icon}
返回
Graph neural network-based long method and blob code smell detection
.png){kind=icon}
OA
AI
DOI：10.1016/j.scico.2025.103284.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码异味（code smell）的概念最早于二十世纪九十年代末被提出，用于指代代码可能需要重构的信号。尽管代码异味不一定影响功能，但会阻碍程序的可理解性和未来可扩展性。因此，代码异味的精确检测已成为编码研究中的一个重要课题。然而，当前检测方法受限于数据集不平衡且与工业应用无关、代码中缺乏足够的结构和逻辑信息以及模型架构简单等问题。鉴于此，本文利用了与工业应用相关且数据充足的数据集，并开发了一种图神经网络（graph neural network）以更好地检测代码异味。首先，我们选择长方法（Long Method）和Blob作为研究对象，因为它们频繁出现且对软件可维护性产生影响。接着，我们设计了改进的模糊采样（fuzzy sampling）与focalloss相结合的方法，以解决数据不平衡问题。其次，为应对海量数据，我们提出了全局与局部注意力评分机制（global and local attention scoring mechanism），用于提取代码中的关键信息。再次，为设计专门针对代码抽象语法树（abstract syntax tree）的图神经网络，我们结合了欧几里得空间（Euclidean space）和非欧几里得空间。最后，我们将我们的方法与其他机器学习方法及深度学习方法进行了比较。结果表明，我们的方法在长方法（Long Method）和Blob检测上优于其他方法，这证明了我们提出的方法的有效性。
Keyword:
Code smell
Graph neural network
Class imbalance
Graph pooling
Hyperbolic space
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
IF:
19.3
论文数:
2.9K
被引数:
3.0W
机构
引用论文
GSDetector: a tool for automatic detection of bad smells in GRL goal modelsGSDetector：一种用于自动检测GRL目标模型中不良模式（bad smells）的工具
.png){kind=icon}
PREAI
分享收藏Automatic detection of Long Method and God Class code smells through neural source code embeddingsOAAI
OAAI分享收藏
Comparing and experimenting machine learning techniques for code smell detection比较和实验用于代码气味检测的机器学习技术
PREAI
分享收藏
查看更多内容