[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

说明书

本发明公开了一种基于最近邻算法的代码变更日志自动生成方法，属于代码变更日志自动生成领域。该方法包括：输入数据的预处理、训练集数据预处理、通过词袋模型获取词频向量对的集合、通过KNN算法计算候选中间结果、计算BLEU‑4值，最终获得输出结果。该方法具有模型结构简单，解释性强，模型不需要训练，实际运行时间较NMT大大缩减，对噪声不敏感，鲁棒性强的特点。

技术领域

本发明属于代码变更日志自动生成领域，具体地涉及一种基于最近邻算法 的代码变更日志自动生成方法。

背景技术

目前，代码变更日志的技术已被广泛研究。DeltaDoc是将源代码的变更作为 输入，通过符号执行的方法来获得路径谓词，然后使用一组预定义的规则和转换 生成提交消息。ChangeScribe首先通过分析相应的源代码的变更和抽象语法树， 以提取必要信息。然后它用提取的信息填充预定义的模板来作为本次提交的日志。 NMT则首先将深度神经网络运用到其该领域，其做法是使用神经机器翻译算法 自动从源码中生成精简的代码变更日志。

但是目前代码克隆检测工具中普遍存在以下问题：

(1)模型结构复杂，缺乏可解释性；

(2)模型训练和运行时间花费大；

(3)对噪声敏感，鲁棒性不强。

发明内容

本发明的对现有技术进行改进的目的，提供一种基于最近邻算法的代码变 更日志自动生成方法。

本发明是通过以下技术方案实现的：一种基于最近邻算法的代码变更日志自动生成方法，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，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。

进一步地，步骤5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：