如何提升代码搜索效果？GitHub团队打造代码搜索领域的GLUE数据集

为了学习这些嵌入函数，GitHub 团队在架构中加入了标准序列编码器模型，如图 3 所示。首先，根据输入序列的语义对其执行预处理：将代码 token 中的标识符分割为子 token（如变量 camelCase 变成了两个子 token：camel 和 case），使用字节对编码（byte-pair encoding，BPE）分割自然语言 token。

图 3：模型架构概览。

然后使用以下架构之一处理 token 序列，以获得（语境化的）token 嵌入。

• 神经词袋模型：每个（子）token 都被转换为可学习嵌入（向量表示）。
• 双向 RNN 模型：利用 GRU 单元总结输入序列。
• 一维卷积神经网络：用于处理输入 token 序列。
• 自注意力模型：其多头注意力用于计算序列中每个 token 的表示。

之后，使用池化函数将这些 token 嵌入组合为一个序列嵌入，GitHub 团队已经实现了 mean/max-pooling 和类注意力的加权和机制。

下图展示了基线模型的通用架构：

CodeSearchNet 挑战赛

为了评估代码搜索模型，GitHub 团队收集了一组代码搜索 query，并让程序员标注 query 与可能结果的关联程度。他们首先从必应中收集了一些常见搜索 query，结合 StaQC 中的 query 一共获得 99 个与代码概念相关的 query（GitHub 团队删除了 API 文档查询方面的问题）。

图 1：标注者指导说明。

之后，GitHub 团队使用标准 Elasticsearch 和基线模型，从 CodeSearchNet 语料库中为每个 query 获得 10 个可能的结果。最后，GitHub 团队请程序员、数据科学家和机器学习研究者按照 [0, 3] 的标准标注每个结果与 query 的关联程度（0 表示「完全不相关」，3 表示「完全匹配」）。

未来，GitHub 团队想在该评估数据集中纳入更多语言、query 和标注。接下来几个月，他们将持续添加新的数据，为下一个版本的 CodeSearchNet Challenge 制作扩展版数据集。

【编辑推荐】

1. TextMate免费开源的老牌代码编辑器
2. Github 上非常实用的 Vue 开源库
3. 提高开发人员的工作效率，请牢记这些小贴士
4. GitHub万星NLP资源大升级：Pytorch和TF深度互操作，32个最新模型
5. 四年完成400万行Python代码检查，甚至顺手写了个编译器

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!