2. 高可信软件技术教育部重点实验室(北京大学), 北京 100871
2. Key Laboratory of High Confidence Software Technologies(Peking University), Beijing 100871, China
近年来, 随着开源软件的快速发展, 互联网上聚集了大量的代码.尤其是一些有影响力的代码仓库, 例如Github, SourceForge等, 其中包含了大量可以被程序员复用的资源:当程序员在编程过程中遇到不熟悉的特定库, 或者不知道该调用哪些函数等问题时, 或者准备实现一段简单的代码时, 往往会到网络上搜索期望的代码片段(snippet), 并进行不同方式的复用.代码搜索(code search)近年来已经成为程序员最常见的软件开发活动之一.如何有效地帮助程序员从目前的各种代码库中搜索与特定编程任务相关的代码, 已成为软件工程重要的研究领域之一.
已有的代码搜索引擎, 例如Ohloh Code[1], Krugle[2]等, 多数将代码当做纯文本处理.这些代码搜索引擎采用与传统文本检索引擎类似的技术, 将程序员输入的自然语言查询语句与被搜索代码(及注释)的文本进行相似性对比, 来查找目标代码.很明显, 对于这类代码搜索引擎, 只有当代码片段及其注释中出现了用户输入的关键词时, 才可能被搜索到.由于代码与自然语言语句存在较大的差异, 而且许多代码缺乏注释, 因此查询效果往往不理想.
最近的一些代码搜索研究工作开始考虑代码的其他一些特征.例如:PARSEWeb[3]主要考虑了方法调用序列, 将代码片段(snippet)抽象为方法调用序列(method invocation sequence)的形式, 然后对方法调用序列进行聚类, 挖掘常用的API使用模式.当用户输入查询语句时, 首先查找相似的使用模式, 然后返回候选的代码片段, 推荐给用户; SNIFF[4]主要考虑了基于API的使用模式, 对API方法增加API文档中的描述, 以减小用户查询语句与方法名之间的差异.该方法对不依赖API方法调用来实现的代码缺乏分析, 存在局限性; SWCE[5]主要考虑了代码结构模式, 但由于模式的关键词来源于其代码实例的关键词(代码当做文本词语处理)集合, 缺乏对代码中方法调用的理解, 用户需要查与API使用相关的代码片段时, 需要用具体的API方法名作为关键词.例如, 如果要搜索功能为successfully login and logout的代码, 需要输入FtpClient这样的关键词才能搜索到相关代码片段.
总的来看, 现有的代码搜索方法还没有充分地利用自然语言查询语句中提供的信息以及被查找代码的相关信息.针对代码片段, SNIFF[3]和CodeHow[6]中也利用了片段中API方法对应的文档知识, 但二者仍然存在一些局限性, 主要表现为:(1) API文档描述比较单一, 而用户自然查询语句描述是丰富多样的; (2) 对于由多个API方法调用构成的复杂代码, 往往缺乏相应的描述.
本文提出了一种基于增强描述的代码搜索方法DERECS(description reinforcement based code search). DERECS的基本思路是:预先构造的一个包含大量代码-描述对(code-description pair)的语料库, 并利用它对大量开源代码中缺少注释的代码进行描述增强.这样, 用户输入的自然语言查询就可以匹配到更多的候选代码, 从而得到更好的期望代码片段.
本文的主要贡献有:
● 基于开源项目、问答系统等, 构建了代码-描述语料库, 并分析代码及自然语言描述, 提取方法调用和代码结构相关特征值;
● 提出了一种基于代码片段中的方法调用及代码片段的结构特征对代码进行描述增强的方法, 减小了被搜索的代码与自然语言查询语句之间的差异, 提高了搜索的准确性;
● 使用真实的自然语言查询语句作为测试基准, 验证了本文方法的有效性.对于查询测试中的绝大部分查询语句, DERECS可以在前5个回答中找到所需代码片段, 并显著优于SNIFF和Krugle的查询结果.
本文第1节概述方法的整体框架.第2节介绍构建代码-描述语料库的方法.第3节介绍从代码-描述语料库中提取特征的方法.第4节介绍分别考虑调用特征及结构特征的代码描述增强方法.第5节介绍代码搜索.第6节对方法有效性进行评估验证.第7节与相关工作进行比较.第8节总结全文并展望未来的工作.
1 方法概览对于网络上存在的大量代码片段, 根据其是否调用API库一般可以分为两类:(1) 通过调用一个或多个API方法来实现功能, 例如打开文件并读取一行(如图 1(a)所示); (2) 通过直接使用编程语言的基本功能来实现功能, 例如冒泡排序算法(如图 1(b)所示).
基于上述对代码片段的观察, 本文提出了基于增强描述的代码搜索方法(DERECS). DERECS的主要特点是同时考虑代码片段中的方法调用信息及代码片段的结构特征, 并用于描述增强.图 2是基于增强描述的代码搜索方法概览.DERECS首先利用开源项目、问答系统等构造准确的代码-描述对语料库, 并从开源项目中提取大规模代码片段.基于代码-描述语料库中的代码片段及自然语言描述进行分析, DERECS抽取代码片段中的方法调用信息及代码结构特征, 作为对大规模开源代码片段进行描述增强的基础.最后, DERECS从增强描述的大规模代码片段中查找并返回与用户输入的自然语言查询语句相匹配的代码片段.
如图 2所示, 基于增强描述的代码搜索方法主要包括如下4个过程:(1) 代码-描述语料库构建(第2节); (2) 特征值提取(第3节); (3) 代码描述增强(第4节); (4) 代码搜索(第5节).
2 代码-描述对语料库构建从开源项目及问答系统中提取代码和与之对应的描述, 构建代码-描述对语料库.代码-描述对语料库包含了代码和自然语言的关联知识, 可用于由自然语言生成代码[7, 8]任务; 反过来, 也可以应用于为缺乏自然语言描述的代码增强描述.
2.1 开源项目数据DERECS主要从Github中获取“代码-描述”对.DERECS从Github上按照关键词“stars:>0”检索.stars是github上用户对项目的评价, stars的值越高, 表明用户评价越高, 一般反映代码质量越高.DERECS首先选取编程语言为Java的项目, 并根据Most stars排序, 最终选取了500项目:分数最高的项目(elastic/elasticsearch)的stars值为15 729, 最低的项目(vikramkakkar/SublimePicker)的stars值为1 378.DERECS抽取了这500个项目的下载地址, 并下载了这些项目的主分支.
对于所有的开源项目, DERECS将代码以函数为粒度进行切分, 并抽取出1 121 109个代码片段.其中, 489 058个代码片段有注释, 代码片段的平均长度是15行.由于部分代码片段的注释质量不高, DERECS采用如下的启发式过滤规则对代码片段对应的注释进行过滤.
1) 过滤掉函数前注释中参数及返回值介绍相关的, 这些注释以@param和@return开头;
2) 过滤掉函数前注释中与创建者、作者介绍相关的, 这些注释包含“created by”, “author”关键词;
3) 过滤掉函数中注释以TODO(等待实现的功能)、FIXME(需要修正的功能)等引导的注释, 后面的代码片段与描述的功能无关或代码存缺陷;
4) 过滤掉包含网址或者日期的注释, 这样的注释描述的信息一般与代码功能无关;
5) 过滤掉文件开始描述版权等信息的注释Copyright/LICENSE.
另外, 一些代码片段缺乏业务逻辑, 不包含多个API的组合调用, 也不包含特殊结构, 需要从语料库中剔除.通过过滤后, 有效注释的代码片段数由489 058个缩减到297 772个.
2.2 问答系统数据代码-描述语料库的另外一个重要来源是问答系统.Stack Overflow是近年来被广泛使用的编程论坛, 其网站公开的数据可以从Stack Exchange Data Dump[9]下载, 也可以在线查询[10].从Stack Exchange Data Dump上可下载到最近一次数据库转储包含了自网站2008年8月建立以来到2014年5月的所有数据.该数据以XML格式组织, 其中, Posts.xml包含了所有问题和回答的内容.另外, 我们通过Stack Exchange Data Explorer查询并下载Posts表从2014年5月~2016年4月间的数据, 该数据以csv格式组织.由于Stack Overflow数据中包含了大量的编程知识, 例如代码、代码缺陷、代码相关的自然语言描述等信息, 在软件工程研究领域也有一些利用该数据的代表性工作, 例如众包调试[11]和API文档增强[12].我们从上述数据中进一步获得“代码-描述”对.过程如下.
● 首先, 由于DERECS目前只考虑java相关的问题, 因此只抽取了Tags中包含“java”的问题及回答; 然后, 通过AccptedAnswerId抽取问题对应的被用户接收答案, 形成“问题-回答”对.在此基础之上, DERECS从回答中抽取代码片段, 从问题中抽取描述代码功能的自然语言;
● 其次, 通过<code>或<pre><code>抽取回答中的代码片段, 并过滤回答中不包含代码的对.如果标签包含的内容中只有变量名、方法名, 也会被过滤.此外, DERECS还使用Eclispse Jdt[13]对回答抽取出的代码片段进行语法分析, 生成抽象语法树, 过滤不符合Java语法的代码片段;
● 最后, 由于Stack Overflow问题种类有许多, 其中how问题相关的描述中一般包含代码功能描述, 所以DERECS对问题中的自然语言进行了过滤, 抽取出问题标题, 并使用正则表达式抽取出详细描述中以“how to”“way to”“want to”等表询问方式的短语引导的句子; 然后过滤掉无意义的描述, 例如“how to do this?”以及包含error, warning, exception等表示错误和异常的句子.通过Stack Overflow获得的代码-描述片段数为96 331个.
一个从问答系统抽取到的“代码-描述”对示例如图 3所示.
3 特征提取
DERECS基于代码片段中的方法调用特征和代码结构特征对代码进行描述增强.方法调用特征表征API方法名和自然语言描述短语的相关性, 代码结构特征表征代码的基本结构信息.“代码-描述”对中的代码片段可能包括多个API调用, 不同的API调用重要程度不一样, 到底哪些API提供了代码的核心功能而不是通用简单功能?另一方面, 自然语言描述也可能包含多个表示动作的短语, 到底哪个API和哪个描述短语相关性更高?为回答这两个问题, 我们需要对代码-描述对语料库.本部分对由问答系统数据构造的代码-描述对语料库进行分析, 提取方法调用特征(代码结构特征在第4.2节介绍), 主要分为以下子过程:
1) 抽取动作短语
这一步使用到的自然语言处理技术包括词性标注(part-of-speech tagging)和句法分析(parsing).词性标注识别给定句子中每一个词语的词性, 例如单数或者不可数名词的词性是“NN”.句法分析得到给定句子的解析树, 句子中的每一个词语由解析树的叶子结点表示, 每一个语法单元(例如名词短语“VP”)对应解析树的子树.我们使用Stanford Parser[14]来完成词性标注及句法分析, 图 4展示了自然语言描述语句“How to create a file and write to a file in Java?”通过Stanford Parser分析得到的解析树.我们通过遍历解析树识别句子中的动作短语.描述单一功能的动作包含的句子成分有动词短语(VP)、名词短语(NP)、可选的介词短语(PP), 解释树中有这样结构的子树将被识别为一个动作, 例如, 从图 4中的解析树可以抽取出“create a file”以及“write to a file”这两个动作.
2) 对动作短语进行自然语言预处理
这一步对抽取到的动作短语进行预处理.为节省存储空间和提高搜索效率, 在信息检索中常会去除停用词, 我们在进行语料库分析时也需要除去不包含实际含义的功能词(例如“the”“is”)及应用十分普遍的词汇词(例如“want”).
词性还原(lemmatization)和词干提取(stemming)是词形规范化的两类重要方式.词形还原把一个任何形式的语言词汇还原为一般形式(能表达完整语义).词干提取抽取词的词干或词根形式(不一定能够表达完整语义).我们使用了NLTK Python[15]工具包中的WordNetLemmatizer和SnowballStemmer来完成词性还原和词干提取.
3) 去除同一个代码对应的描述中重复的描述
4) 统计每个方法名的逆向文本频率(IDF值)
IDF值是信息检索领域用来衡量一个词普遍重要性的度量, 这里, 我们统计API方法名的IDF, 使用如下公式计算:
$ \mathit{IDF} = {\rm{log}}\left( {\frac{{{\rm{总的代码片段数}}}}{{{\rm{该}}\mathit{API}{\rm{方法名出现的代码片段数}}}}} \right) \cdot $ |
通过统计API方法名的IDF值, 我们可以回答哪些API提供了代码的核心功能而不是通用简单功能这个问题.表 1展示了IDF值最低的前10个API方法名, 包含了最常被调用的方法例如println和toString, 这些常用的函数对于区分不同代码片段的功能起到的作用小.
5) 建立每个方法名对应的描述短语集合
对于每一个API方法名, 我们计算与其相关的所有描述短语的TF-IDF值, 以度量API方法名和描述短语的相关性, 这样就能回答哪个API和哪个描述短语相关性更高的问题.在信息检索领域, 词频(TF值)指某一个给定的词语在该文件中出现的频率, 我们采用了这个思想, 关键是将某一方法名相关的描述当成一个文件, 这里统计某一个给定描述短语在包含某方法名的代码片段对应的描述中出现的频率.每一个描述短语的IDF值由总文件数(总方法名数)除以包含该描述短语的文件数(方法名数), 再将得到的商取对数.
4 代码描述增强互联网上的许多开源代码缺乏注释, 或注释中不能有效体现其包含的功能特点.针对这一不足, DERECS利用从语料库中提取出的描述与方法调用和代码结构对应关系特征, 分析代码中调用的方法调用及代码结构, 将方法调用相关描述和代码结构相关的描述信息与缺乏注释等描述的代码片段关联起来, 实现对代码片段增强描述的效果.这样就使得更多的代码片段可以被索引到, 从而提高代码搜索结果的质量.这一步仍然以函数为粒度进行描述增强.
4.1 基于方法调用描述增强方法调用描述增强主要包括两方面内容:
1) 通过Eclipse Jdt分析代码, 抽取出调用的方法签名(完全限定名+参数类型列表), 如果该方法签名与API文档中某一方法签名匹配, 则将API文档中方法签名对应的自然语言功能描述注入到代码片段的描述中.方法签名匹配规则是:方法的完全限定名必须一致; 方法参数类型列表尽量匹配, 允许不一致.
2) 通过方法名匹配语料库提取出的方法名, 在一定阈值内注入描述短语.阈值包括:
① 方法名的最小IDF值(MinMIDF)
IDF太低的方法名广泛被使用, 对于区分不同功能的代码片段能力差, 如println和toString; 另一方面, 这些方法一般功能简单, 方法名能够准确描述其功能, 无需多余的描述.故对于IDF值太低的方法名不进行描述增强.
② 描述短语的最小TF-IDF值(MinDTFIDF)
TF-IDF太低的描述短语要么是TF值低, 即描述短语与方法名成对出现的概率低、关系弱, 要么是IDF值低, 属于广泛被使用的描述短语, 不能准确描述和区分函数的功能.故对于TF-IDF的描述短语, 不对某一方法名增加TF-IDF值低的描述短语.
③ 当前函数中的方法调用集合与代码片段方法集合的最小相似度(MinMListSim)
设置这个阈值的直觉是:来源于越相似的代码对应的描述短语, 与当前待处理代码片段的相关性越大, 相关性太低的描述会干扰查询结果, 故需要设置该阈值.这里, 评估代码的相似性基于代码中调用方法名集合的相似性, 两个方法集合M1, M2的相似度参考了自然语言领域计算两段文本语义相似性的MCS方法[16], 计算公式如下:
$ sim({M_1}, {\mathit{M}_2}) = \frac{1}{2}\left( {\frac{{\sum\nolimits_{m \in ({\mathit{M}_1})} {{\rm{max}}Sim{\rm{(}}m, {M_2}) \times idf(\mathit{m})} }}{{\sum\nolimits_{m \in ({\mathit{M}_1})} {idf(\mathit{m}} )}} + \frac{{\sum\nolimits_{m \in ({\mathit{M}_2})} {{\rm{max}}Sim{\rm{(}}m, {M_1}) \times idf(\mathit{m})} }}{{\sum\nolimits_{m \in ({\mathit{M}_2})} {idf(\mathit{m})} }}} \right) \cdot $ |
其中,
● maxSim(m, M2)为方法名m与方法集合M中各个方法名的文本相似性最大值.其中, 计算两个方法名文本相似性sim(m, m')需将方法名按照驼峰切分成序列, 并基于最长公共子序列算法计算序列的相似度;
● idf(m)为方法名m的逆向文本频率, 降低常用方法权重.
例如, 当前需要增加描述的函数方法调用集合M1={getRequest, executeRequest}, 对于方法名getRequest, SO中有两代码片段方法集合M2={getRequest, executeRequest}, M23={getRequest, getQueryParam}包含了该方法名, 分别描述短语集为[‘get url’, ‘post servic’, ‘send http’], [‘retrieve params’, ‘get http method’].在增强描述时, 首先根据getRequest对应的描述集合[‘get url’, ‘get http method’, ‘post servic’, ‘send http’, ‘retrieve params’]中每个描述短语的TF-TDF值过滤掉与getRequest不太相关的描述短语(例如‘retrieve params’), 但由于有些方法名用法较多, 描述对应的种类也有很多, 需要进一步根据当前函数的方法调用集合筛选出与当前更相关的描述, 通过计算相似度, M2和当前函数集合更接近, 来自M2的描述‘get url’优先增加到该函数的描述集合.
由此可以看出:如果两个代码片段调用相同的API方法集合, 通过语料注入的描述短语内容应该一致.为了提高效率, DERECS先对需要增强描述的代码进行聚类, 具有相同方法调用集合的代码片段只进行一次基于方法调用描述增强.
4.2 基于代码结构描述增强代码的结构特征包括词法序列、语法树等代码抽象表示形式.代码克隆检测技术常利用代码的结构特征来查找相似的代码片段.一组代码片段互为相似代码(克隆), 其中一个代码片段拥有较好的描述, 就可以用来增强该克隆组的代码片段的描述.
基于代码结构的描述增强利用了SWCE和AutoComment[17]中使用到的基于词法记号的代码克隆检测技术.基于词法记号的代码克隆检测技术对代码进行词法分析, 得到词法记号序列, 然后简单抽象(类型名、变量名、方法名等抽象为同一记号), 得到参数化词法记号, 并进行一定规整化, 再进行公共子串算法(CCFinder[18])或频繁序列模式挖掘算法(CP-Miner[19])等找到重复出现的串, 即代码克隆.SWCE中将代码克隆组与每一个代码克隆实例的关键词关联.DERECS采用SIM[20]工具, 采用AutoComment的设计原理, 查找与代码片段克隆的开源代码片段, 将代码片段的描述直接注入给与之结构相似(克隆)的代码片段中.
经过之前的步骤, DERECS对于开源代码库的每一个代码片段构造一个对应的描述文档, 该描述文档中包含3个域:(1) 基于代码描述语料库进行代码描述增强得到的描述; (2) 过滤后代码自身注释; (3) 代码中的方法调用名及其拆分形式.我们将描述文档命名为代码片段存储位置, 集中存储所有代码片段的描述文档, 将描述文档的集合作为下一步查询的对象.
5 代码搜索在离线完成代码描述增强后, DERECS利用Lucene[21]进行在线查询, 并使用人气度对结果进行重排序.这一步, 我们使用了Lucene多域查询描述文档, 对不同的域设置不同的查询权重, 使得匹配代码本身注释和方法名更优先.当用户输入查询语句时, Lucene检索与其相关性高的多个代码片段描述, 获得候选代码片段集合.
对于候选代码片段集合, 我们采用了人气度再对结果进行重排序.在许多代码搜索工作, 如PARSEWeb[12]、SNIFF[3]中都用到了人气度来对结果排序, 其基本考虑是, 越有人气(被多处调用或者多次出现的模式)的代码参考价值越高, 但计算方式各有差异.我们这里考虑代码片段模式在语料库中频率.对于以方法调用为主实现的代码片段, 具有相同方法调用集合的代码片段被聚到一类, 一类模式在语料库中出现的频率作为排序的标准.
6 实验评估为了验证DERECS的有效性, 我们进行了两个实验:第1个实验, 我们验证方法查询的准确率, 并研究方法中各技术点对总体查询结果的影响; 第2个实验, 我们与现有在线代码搜索引擎作比较.本节首先介绍查询测试集及评估标准, 然后介绍两个实验的详细方法, 并对实验结果进行分析.
6.1 实验建立这一节介绍用于评估方法有效性的查询测试集的来源、方法实现及参数选取、方法有效性的评估标准.我们利用了实际用户查询数据, 并参考了现有代码搜索相关工作中用到的数据及评估方法.
6.1.1 查询测试集和对象建立了一个用户真实的自然语言查询语句的查询测试集, 见表 2前两列(后3列为3种不同工具的实验结果).我们从Stack Overflow中Java相关最频繁的问题选取了10个作为查询测试集的一部分.另外, 从已有相关工作SWCE[2]、SNIFF[3]的实验数据集中获得了更多的Java相关典型查询语句.该查询语句集中的查询语句不是精心挑选的关键词集合, 而是典型的自由形式的自然语言查询, 涉及了多个领域的问题.使用该查询测试集能够客观、全面地评估代码搜索方法的有效性.
查询对象是从Github下载的开源项目中抽取的1 121 109个代码片段(见第2.1节).因为StackOverflow从中选取了查询语句, 我们在实验时并没有将来源于的代码片段作为查询对象.
6.1.2 方法实现及参数选取在方法描述增强的第1步, 我们从jdk的javadoc中抽取方法签名(完全限定名及参数类型列表)和方法功能描述对, 作为实验对比的SNIFF的实现代码也包含jdk的API文档.
此外, 我们选取注入阈值的方法如下:使用少量的数据(分数最高的前20个项目), 抽取方法调用集合, 共31 836个代码片段.挖掘其中不同的方法调用集合模式, 并过滤掉包含方法调用数目小于等于1的.没有调用别的方法或者只调用了一个方法的代码片段, 不利于观察及调整相似度阈值, 故不加入考虑.对于支持度大于10的方法调用集合模式(共84个), 设置多组阈值, 人工分析描述注入结果, 选取较为合理的默认阈值:MinMIDF=5, MinDTFIDF=0.5, MinMListSim=0.3.
在进行代码搜索, 使用Lucene多域查询时, 代码自身注释和代码中API方法名及其拆分形式权重为2, 基于代码描述语料库增强描述权重1.
6.1.3 评估标准为了评估代码搜索方法对于单个查询的有效性, 我们引入了最佳匹配排名(best hit rank), 表示查询结果中与查询语句匹配的最前一个回答的排名.好的最佳匹配排名意味着只需要花费较少开销就能找到所需的代码片段.
为了评估代码搜索方法对于整个查询测试集的有效性, 我们引入了k准确率(Pk).k准确率只考虑代码搜索方法返回的前k个结果, 计算方法为
$ {P_k} = \frac{{{\rm{最佳匹配排名小于等于}}\mathit{k}{\rm{的查询数}}}}{{\rm{总查询数}}} \cdot $ |
实验1验证方法查询的准确率, 并研究方法中各技术点对总体查询结果的影响.表 2中, DERECS这一列展示了我们的方法返回结果的最佳匹配排名, NF表示在前10个结果中没有找到所需代码.
由以上结果可以计算得到:当k=1时的准确率为P1=0.75, 当k=5时的准确率为P5=0.90, 当k=10时的准确率为P10= 0.90.对于大部分的查询, DERECS在前5个结果中都可以找到所需代码片段.
DERECS能够有效查找到高度抽象的查询语句所描述的代码片段, 例如查询4, 该查询语句来源于Stack Overflow, 描述了高层功能“test private methods”, 我们的方法查找到的代码片段(图 5(a)所示, https://github.com/ stormzhang/9GAG/blob/master/app/src/main/java/me/storm/ninegag/view/swipeback/SwipeBackActivityHelper.java(第81行~第88行))和原来Stack Overflow的被接收答案(如图 5(b)所示, http://stackoverflow.com/questions/34571) 一样, 包含getDeclaredMethod, setAccessible, invoke方法调用.虽然这些方法对应的javadoc描述和代码片段原本的注释都不含高层功能信息, 通过基于方法调用的描述增强, 我们给开源代码增加了来源于Stack Overflow的相关自然语言信息, 扩大了查询范围, 从而可以有效地查询到结果.
但是, 对于查询6和查询13, 我们的方法应用并没有得到查询结果, 主要是由于阈值的设置, 没有对相应代码片段增加Stack Overflow描述, 仅基于代码自身注释和API文档描述是不能查到相应代码片段的.
6.2.2 实验2第2个实验, 我们与现有的代码搜索工作SNIFF以及Krugle作比较.我们没有直接与SWCE等及查询测试集来源的其他工作直接比较的原因是输入形式差异太大, 例如对于SWCE, 模式的关键词来源于其代码实例的关键词(代码当做文本词语处理)集合, 缺乏对代码中方法调用的理解.用户需要查与API使用相关的代码片段时, 需要用具体的API方法名作为关键词, 例如搜索完成“successfully login and logout”这样功能的代码, 需要输入“FtpClient”这样的关键词才能搜索到相关代码片段.
我们选择SNIFF是因为该工作对代码增加了API文档描述, 扩大查询范围.与API文档中单一的描述不同, 我们的方法增加了来源于更多用户的多样描述, 可以消除更多用户查询和代码描述之间的不一致.
Krugle是著名的开源代码搜索引擎, 可支持自然语言形式的查询语句, 将代码及注释统一当成文本处理. DERECS对代码进行分析, 并增加上相关描述, 是在自然语言文本之间的查询.表 2中, 后两列分别是SNIFF和Krugle查询结果的最佳匹配排名, 对于大部分的查询, 我们的方法都要优于这两种方法.
SNIFF的k=1, 5, 10时的准确率分别为P1=0.35, P5=0.75, P10=0.80, Krugle的k=1, 5, 10时的准确率分别为P1=0.25, P5=0.55, P10=0.55.而在实验1中, 我们得到DERECS的k=1, 5, 10时的准确率分别为P1=0.75, P5=0.90, P10=0.90.DERECS的准确率明显优于SNIFF和Krugle.
我们以0.05的检验水准对最佳匹配排名结果进行显著性检验, 假设如下:
● H1(DERECS的最佳匹配排名优于SNIFF):有效零假设为μDERECS=μSNIFF, 真零假设为μDERECS≥μSNIFF, 备择假设为μDERECS<μSNIFF;
● H2(DERECS的最佳匹配排名优于Krugle):有效零假设为μDERECS=μKrugle, 真零假设为μDERECS≥μKrugle, 备择假设为μDERECS<μKrugle.
H1和H2的备择假设即DERECS拥有更好的最佳匹配排名, 用户能够更快地找到所需代码片段.
t-test成对双样本检验中, 对于未查询到结果的, 为了方便数据分析, 将其最佳匹配排名统一用11来代替, 检验结果见表 3.
表 3中对于假设H1, μDERECS=2.3, 小于μSNIFF=4.32, 且p=1.49×10-2<0.05, 具有统计显著性, 故拒绝了假设H1的零假设, 接受了H1备择假设, 即, DERECS返回结果的最佳匹配排名明显优于SNIFF; 对于假设H1, μDERECS= 2.3, 小于μKrugle=5.84, 且p=2.44×10-3<0.05, 具有统计显著性, 故拒绝了假设H2的零假设, 接受了H2备择假设, 即, DERECS返回结果的最佳匹配排名明显优于Krugle.
7 相关工作代码搜索是近年来软件工程的研究热点之一, 研究者先后提出了许多不同的代码搜索方法.这些方法分别支持不同的输入形式, 推荐不同粒度的代码.最常见的输入形式是自然语言查询语句, 这与通用搜索引擎输入一致, 还有一些代码搜索方法直接以源代码作为输入.这些方法针对不同类型的输入, 推荐抽象的方法调用序列、代码片段、构件或应用等不同粒度的代码, 下面简要地介绍相关工作.
Sourcerer[22]以查询语句为输入, 查找功能的实现代码、现有代码片段的使用及包含特定属性及模式的代码; 在代码实体完全限定名上使用TF-IDF技术, 结合right-most handside boosting技术和图排序算法来识别流行的类.
Xsnippet[23]以查询语句为输入, 给对象实例化任务提供示例代码.该方法具有可变的查询范围, 先通用查询覆盖更多相关代码, 再专门查询找到更适合的代码示例.启发式排序规则包括代码片段长度排序、出现频率排序等.
Mica[24]以查询语句为输入, 在普通搜索引擎的基础上, Mica为用户提供更多API使用的相关信息, 返回相关的API方法类和域, 根据频率相关性排序, 并提供部分官方文档链接.
PARSEWeb[12]以查询语句为输入, 帮助程序员解决知道对象类型但不知道怎样获得该对象的问题. PARSEWeb与Google Code Search Engine交互, 通过对代码分析将代码片段抽象表示成方法调用序列的形式, 然后对方法调用序列进行聚类及排序.
SNIFF支持自由形式的查询语句输入, 利用库的文档来补充代码中方法的相关英文描述, 并通过基于类型的插入技术, 从而获得与查询语句高度相关的代码片段.
Exemplar[25]以查询语句为输入, 结合信息检索和程序分析技术, 查询应用的描述、源代码及帮助文档.该方法关键字匹配API调用的描述信息, 先联系到API调用, 再联系到应用.
Portfolio[26]以查询语句为输入, 检索到的函数能够解决查询语句中描述的多项任务, 而不是任务中不同构件的代码示例.该方法利用函数调用图建立模型, 模拟编程者浏览及关联其他函数行为.
Prefab[27]以查询语句为输入, 为快速软件原型推荐所需的构件.通过模块抽取(从SourceForge中提取源代码)特征描述抽取(从Softpedia中提取文档)构建代码搜索引擎, 推荐含有尽可能包含想要特征的模块.
PRIME[28]以部分代码作为输入, 基于对象类型查找语义相关的代码片段.
SWCE以查询语句关键词为输入, 为用户查找可行的代码示例.先对代码片段词法分析抽象, 使用Type-2克隆检测工具定位相似代码片段.为了提高查询的质量, 需要识别语料库中流行的解决方案, 使用最大频繁项集挖掘算法.
DEEPAPI[8]使用深度学习循环神经网络的方法, 对于给定的查询语句, 生成API用法序列.
RACS[29]支持自由形式的查询语句, 查找JavaScript框架代码示例.该方法考虑JavaScript框架代码特征, 使用方法调用关系图来描述API调用之间的复杂关系; 同时, 从自然语言查询语句中也捕捉相对应的关系, 提高了JavaScript框架代码搜索的准确率.
S6[30]以规格描述(包括关键字、类或方法签名、测试用例、约束、安全限制)作为输入, 找到满足用户规格描述函数及类, 避免了在重用代码时的大量修改工作.用户指定尽可能精确的规格描述, 系统通过一套程序转换规则映射检索到的候选方法、类(例如对返回类型的转换).
Strathcona[31]从开发者正在编写的代码中自动抽取结构上下文(包括类、方法、域、继承关系、调用关系及实例化)作为查询语句, 为基于框架的编程任务检索代码示例.示例代码库从现有使用该框架的已有应用中自动抽取.
Prospector[32]工具为程序员编写API客户端代码提供帮助.用户描述输入/输出类型, 自动使用API方法签名及从大量示例客户端代码中挖掘到的jungloids来合成便于复用的查询结果.
CLAN[33]以Java应用作为输入, 查找与给定应用相似的应用, 基于相似应用的API调用也相似这一特征, 建立API调用-包/类-应用链接, 并扩展相关文本框架.
本文介绍的DERECS方法基于方法调用及代码片段的结构特征对代码进行描述增强的方法, 减小了被搜索的代码与自然语言查询语句之间的差异, 提高了搜索的准确性.
8 结束语本文提出了一种基于增强描述的代码搜索方法DERECS.基于开源项目、问答系统等构建了代码-描述语料库, 并分析代码及自然语言描述, 提取方法调用和代码结构相关特征值.该方法基于方法调用特征和代码结构特征增强描述, 减小了被搜索的代码与自然语言查询语句之间的差异, 扩大了搜索的范围.使用真实自然语言查询语句作为测试基准, 本文验证了DERECS的有效性.结果表明, DERECS的搜索效果显著优于SNIFF和Krugle.
[1] | http://code.openhub.net/ |
[2] | http://www.krugle.com/ |
[3] | Thummalapenta S, Xie T. Parseweb:A programmer assistant for reusing open source code on the Web. In:Proc. of the 22nd IEEE/ACM Int'l Conf. on Automated Software Engineering. ACM Press, 2007. 204-213.[doi:10.1145/1321631.1321663] |
[4] | Chatterjee S, Juvekar S, Sen K. SNIFF:A search engine for java using free-form queries. In:Proc. of the Fundamental Approaches to Software Engineering. Berlin, Heidelberg:Springer-Verlag, 2009. 385-400.[doi:10.1007/978-3-642-00593-0_26] |
[5] | Keivanloo I, Rilling J, Zou Y. Spotting working code examples. In:Proc. of the 36th Int'l Conf. on Software Engineering. ACM Press, 2014. 664-675.[doi:10.1145/2568225.2568292] |
[6] | Lv F, Zhang H, Lou J, Wang SW, Zhang DM, Zhao JJ. CodeHow:Effective code search based on API understanding and extended Boolean model. In:Proc. of the 30th IEEE/ACM Int'l Conf. on Automated Software Engineering. ACM Press, 2015. 260-270.[doi:10.1109/ASE.2015.42] |
[7] | Raghothaman M, Wei Y, Hamadi Y. SWIM:Synthesizing what I mean. Computer Science, 2016, 3(1) . [doi:10.1145/2884781.2884808] |
[8] | Gu XD, Zhang HY, Zhang DM, Kim SH. Deep API learning. In:Proc. of the 24th ACM SIGSOFT Int'l Symp. on the Foundations of Software Engineering. ACM Press, 2016. 631-642.[doi:10.1145/2950290.2950334] |
[9] | Stack exchange data dump. https://archive.org/details/stackexchange |
[10] | Stack exchange data explorer. http://data.stackexchange.com/ |
[11] | Chen F, Kim S. Crowd debugging. In:Proc. of the 201510th Joint Meeting on Foundations of Software Engineering. ACM Press, 2015. 320-332.[doi:10.1145/2786805.2786819] |
[12] | Treude C, Robillard MP. Augmenting API documentation with insights from stack overflow. In:Proc. of the 38th Int'l Conf. on Software Engineering. ACM Press, 2016. 392-403.[doi:10.1145/2884781.2884800] |
[13] | http://eclipse.org/jdt |
[14] | http://nlp.stanford.edu/software/lex-parser.shtml |
[15] | http://www.nltk.org/ |
[16] | Mihalcea R, Corley C, Strapparava C. Corpus-Based and knowledge-based measures of text semantic similarity. In:Proc. of the 21st National Conf. on Artificial Intelligence. AAAI, 2006. 775-780. |
[17] | Wong E, Yang J, Tan L. Autocomment:Mining question and answer sites for automatic comment generation. In:Proc. of the 28th IEEE/ACM Int'l Conf. on Automated Software Engineering (ASE). IEEE, 2013. 562-567.[doi:10.1109/ASE.2013.6693113] |
[18] | Kamiya T, Kusumoto S, Inoue K. CCFinder:A multilinguistic token-based code clone detection system for large scale source code. IEEE Trans. on Software Engineering, 2002, 28(7): 654–670 . [doi:10.1109/TSE.2002.1019480] |
[19] | Li Z, Lu S, Myagmar S, Zhou YY. CP-Miner:Finding copy-paste and related bugs in large-scale software code. IEEE Trans. on Software Engineering, 2006, 32(3): 176–192 . [doi:10.1109/TSE.2006.28] |
[20] | http://dickgrune.com/Programs/similarity_tester/ |
[21] | http://lucene.apache.org |
[22] | Bajracharya S, Ngo T, Linstead E, Dou YM, Rigor P, Baldi P, Lopes C. Sourcerer:A search engine for open source code supporting structure-based search. In:Proc. of the Companion to the 21st ACM SIGPLAN Symp. on Object-Oriented Programming Systems, Languages, and Applications. ACM Press, 2006. 681-682.[doi:10.1145/1176617.1176671] |
[23] | Sahavechaphan N, Claypool K. XSnippet:Mining for sample code. ACM SIGPLAN Notices, 2006, 41(10): 413–430 . [doi:10.1145/1167515.1167508] |
[24] | Stylos J, Myers BA. Mica:A Web-search tool for finding API components and examples. In:Proc. of the 23rd Int'l Conf. on Program. IEEE, 2015.[doi:10.1109/VLHCC.2006.32] |
[25] | Grechanik M, Fu C, Xie Q, McMillan C, Poshyvanyk D, Cumby C. A search engine for finding highly relevant applications. In:Proc. of the 32nd ACM/IEEE Int'l Conf. on Software Engineering. ACM Press, 2010. 475-484.[doi:10.1145/1806799.1806868] |
[26] | McMillan C, Grechanik M, Poshyvanyk D, Xie Q, Fu C. Portfolio:Finding relevant functions and their usage. In:Proc. of the 33rd Int'l Conf. on Software Engineering. ACM Press, 2011. 111-120.[doi:10.1145/1985793.1985809] |
[27] | McMillan C, Grechanik M, Poshyvanyk D. Detecting similar software applications. In:Proc. of the 34th Int'l Conf. on Software Engineering. IEEE, 2012. 848-858.[doi:10.1109/ICSE.2012.6227178] |
[28] | Mishne A, Shoham S, Yahav E. Typestate-Based semantic code search over partial programs. ACM SIGPLAN Notices, 2012, 47(10): 997–1016 . [doi:10.1145/2398857.2384689] |
[29] | Li X, Wang ZR, Wang QX, Yan SM, Xie T, Mei H. Relationship-Aware code search for JavaScript frameworks. In:Proc. of the 24th ACM SIGSOFT Symp. on the Foundations of Software Engineering. ACM Press, 2016. 690-701.[doi:10.1145/2950290.2950341] |
[30] | Reiss SP. Semantics-Based code search. In:Proc. of the 31st Int'l Conf. on Software Engineering. IEEE, 2009. 243-253.[doi:10.1109/ICSE.2009.5070525] |
[31] | Holmes R, Walker RJ, Murphy GC. Strathcona example recommendation tool. ACM SIGSOFT Software Engineering Notes, 2005, 30(5):237-240.[doi:10.1145/1095430.1081744] |
[32] | Mandelin D, Xu L, Bodík R, Kimelman D. Jungloid mining:Helping to navigate the API jungle. ACM SIGPLAN Notices, 2005, 40(6): 48–61 . [doi:10.1145/1065010.1065018] |
[33] | McMillan C, Hariri N, Poshyvanyk D, Cleland-Huang J. Recommending source code for use in rapid software prototypes. In:Proc. of the 34th Int'l Conf. on Software Engineering. IEEE, 2012. 364-374.[doi:10.1109/ICSE.2012.6227134] |