基于孪生神经网络的代码文本对齐数据集的开发研究.docx

基于孪生神经网络的代码文本对齐数据集的开发研究

摘要

为了训练代码自动生成和代码摘要生成的深度机器学习模型，需要提供较大规模的程序代码和自然语言描述文本对齐的数据集，数据集中的每个实例为一个程序代码片段和对应的自然语言描述文本。本课题以python语言为目标语言，要求制作基于python代码的程序代码与自然语言描述文本对齐的数据集，主要是从大规模代码库Github、StackOverflow等自动爬取程序代码和自然语言描述，搜集代码片段和自然语言文本的实例集合，并运用孪生神经网络中的伪孪生神经网络机器学习模型做进一步的分析、优化和处理，筛选出质量较高的程序代码/自然描述语言对，从而