[发明专利]一种基于最近邻算法的代码变更日志自动生成方法

权利要求书

1.一种基于最近邻算法的代码变更日志自动生成方法，其特征在于，具体包括以下步骤：

步骤一：输入数据的预处理：每一个原始数据的提交都对应于一个diff文件，所述diff文件通过Git原生命令git diff获得，所述diff文件保存工作区中的当前文件和历史版本文件的差异内容；

步骤二：训练集数据预处理：对步骤一所得diff文件进行训练，所述diff文件中包含工程的commit对，通过正则表达式过滤掉所述diff文件中的由集成开发工具自动生成的冗余信息的commit对或者缺失信息的commit对，最终获得训练集数据；每个commit对由diff文件和与之对应的commit message组成；

步骤三：通过词袋模型获取词频向量对的集合：将待生成日志diff文件通过词袋模型建立所述diff文件的词频向量对的集合；所述词频向量对表示为d，t_i，其中d表示diff文件生成的词向量，t_i表示训练集中第i个数据对应的词向量；词向量的维度记为n，diff文件的词汇表集合记为D，第i个数据对应词词频向量对的集合记为T_i，n＝|D∪T_i|；

步骤四：KNN算法计算候选中间结果：对步骤三中获得的词频向量对的集合分别做余弦相似度计算，获得相似度值，将相似度值最大的5个词频向量对作为候选中间结果：

其中，t_ij为t_i向量的第j个分量，d_j为diff文件生成的词向量的第j个分量；

步骤五：计算BLEU-4值：对步骤四中得到的候选中间结果所对应的词频向量对d，t_i，分别计算BLEU-4值，将其中BLEU-4值最大的词频向量对所对应的commit message文件作为最终的结果输出；

步骤五中所述BLEU-4值的计算方法如下：

首先计算修正的n个连续的单词片段精确度，对于任意的n，所述单词片段精确度通过以下计算得到：

Cnt_clip(n-gram)＝min(Cnt_gen(n-gram)，Cnt_ref(n-gram)) (3)

其中，gen是t_i中所有的不同的n-grams组成的集合；Cnt_clip由方程(3)定义；Cnt_gen为某一个n-gram在t_i中出现的次数；Cnt_ref为某一个n-gram在d中出现的次数；

其次，BLEU的定义如下：

其中，N是最长的连续单词片段，此处选择经验值4；p_n是由方程(2)计算而得；BP由方程(5)定义；r是d所对应的diff语句的长度，c是t_i所对应的commit message的长度。