.png){kind=icon}
返回
Learning code better through structural information of data flow
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07348-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码表示旨在将源代码转化为数学或向量形式，以支持模型对代码进行加工和分析。代码中的数据流表示变量在代码中传递和操作的信息。现有基于数据流导向的代码表示研究主要利用数据流中变量的语义信息来指导模型进行代码表示。然而，变量的语义信息不足以揭示代码的结构特征，导致模型难以实现对代码的全面表示。本研究提出了一种新的代码表示模型SDCR。具体而言，SDCR采用专用算法识别代码中变量的结构信息，并将其与语义信息结合，以增强对代码的理解。同时，SDCR引入注意力机制来突出变量之间的结构连接。此外，SDCR采用特殊的掩码矩阵来增强其对代码结构的感知能力。实验结果与分析表明，所提出的模型相较于基线模型，在相关任务指标分数上提升了2.6个百分点。
Keyword:
Code representation
Data flow
Structural information
Transformer
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
.png){kind=icon}
OAAI分享收藏An Empirical Study on Learning Bug-Fixing Patches in the Wild via Neural Machine Translation通过神经机器翻译在野外学习错误修复补丁的实证研究
OAAI
OAAI分享收藏CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and GenerationCodeT5: 用于代码理解和生成的标识符感知的统一预训练编码器-解码器模型OAAI
OAAI分享收藏
查看更多内容