基于代码注释的技术债务检测和分类方法研究.pdfVIP

摘要

近年来，随着信息技术的高速发展，计算机软件已经被应用到社会的各行各

业中。然而，由于资源、时间和业务等因素的影响，开发者往往提交一些不规范

的代码，从而影响了软件中的代码质量。技术债务是指开发者为了满足短期需求

（如软件发布计划、预算等）而牺牲长期代码质量所导致的后果。为了帮助软件

开发者识别软件中的技术债务，研究者已经提出了许多自动或半自动方法。目前，

通过代码注释来检测技术债务是最流行的检测方法。但是，研究表明技术债务的

代码注释通常存在长度差异明显、占总注释的比例小和不同项目间描述风格差异

大等问题，从而导致已有方法的效果仍不理想。另外，已有研究仅仅聚焦在技术

债务的检测问题上。然而，在实际中，开发者需要对检测到的技术债务做进一步

分类，这是一个非常消耗时间的工作。本文针对以上问题展开研究，深入分析代

码注释中的技术债务实例，帮助开发者更高效地识别技术债务。本文的主要工作

包括如下两个方面：

（1）为了识别技术债务，本文提出了一种基于注意力机制和双向长短期记

忆网络的自承认技术债务检测方法。该方法首先对代码注释进行预处理，然后使

用GloVe模型训练词向量，最后利用双向长短期记忆网络和注意力机制学习注

释中的文本特征来构建分类器。在训练分类器时，本方法使用平衡交叉熵损失函

数解决样本不均衡问题，并且使用遗传算法为平衡交叉熵损失函数的平衡因子寻

找最优或近似最优值，从而提高模型的泛化能力。基于真实数据集的大量实验表

明，该方法的平均精度为81.75%、召回率为72.24%、F1值为75.86%，分别比

最佳对比方法高出8.52％、5.24％和6.64％。

（2）为了有效识别不同种类的技术债务，本文提出了一种基于XGBoost的

自承认技术债务多分类方法。该方法首先对代码注释进行预处理操作，其次使用

数据增强策略增加数据集中小类的样本数量，以解决类不均衡问题，然后利用特

征选择方法对代码注释进行特征选择处理，最后使用XGBoost构造分类器。基

于真实数据集上的大量实验表明，该方法在技术债务分类方面平均能达到

63.14%、56.37%和56.25%的宏平均精度、宏平均召回率和宏平均F1值，分别比

最佳对比方法高出12.29%、3.77%和6.46%。

关键词：自承认技术债务、深度学习、自然语言处理、长短期神经网络、XGBoost

ABSTRACT

Inrecentyears,withtherapiddevelopmentofinformationtechnology,computer

softwarehasbeenappliedtodifferentdomainsinsociety.However,duetothefactors

ofresource,deadlinesandbusiness,thecodeprovidedbydevelopersisnotalways

standard,whichaffectsthequalityofcode.Technicaldebtreferstotheconsequences

thatdevelopersseekshort-termgains(e.g.,softwarereleaseplan,budget,etc.)at

expenseoflong-termcodequality.Tohelpdevelopersidentifytechnicaldebtin

software,researchershaveproposedavarietyofautomaticorsemi-automaticmethods.

Atpresent,detectingtechnicaldebtbycodecommentsisthemostpopularmethod.

However,thereisstillroomforimprovementabouttheeffectivenessofthesemethods,

sinceself-admittedtechnicaldebtcomments