基于程序分析和自然语言处理的注释定位技术研究

ntelliJ IDEA；使用静态分析框架 Soot 进行数据流分析，以及基于 Soot 框架扩展的 flowdroid 来生成程序间控制流图。我们的实验需要搭建神经网络模型，有多种框架可以实现，比如 affe，keras，tensorflow。我们的深神经网络模型使用的 keras 框架作为搭建的基础平台，可以简化我们的搭建模型过程，加快实验进程；使用采用 Maven 来管理项目的依赖关系；使用 Mybatis 连接数据库；需要下载项目并且上传项目到注解系统，所以要安装 Git 软件并配合其环境变量；

..........................

第六章 总结与展望

6.1 总结

本文研究了基于程序分析和自然语言处理的注释定位技术，首先介绍在注释方法的研究工作，比如注释生成、注释传播、注释分类等。然后介绍了本文所做工作使用的技术，也就是深度学习、程序分析和注解系统 OneDev。之后介绍了我们注释分类的实现方法，还有使用注释分类器对现有方法级别的注释进行分类，使用注释定位模型进行定位。本文并没有生成新的注释，而是利用现有注释定位到具体的实现代码中，并且使用注解系统进行实现，不会破坏原有的代码结构，实现注释的重定位。

接下来介绍的是注释分类和注释定位的详细实现过程。注释分类是依托于现有的注释分类规则，对方法级别的注释进行一个自动分类。其中介绍了注释分类器使用的神经网络模型构建方法，还有训练数据集的构建过程。接着介绍了注释定位模型的实现过程，其中包括定位之前对源代码和注释文本的预处理、构建定位模型的方法，还有模型训练数据集的构建过程和训练模型的方法。之后还介绍了定位实现的方法。

本文的最后介绍了评估本方法所做的实验和结果分析，其中包括实验的硬件环境和开发环境的选取。还有从 Github 上选取四个 Java 开源项目作为本实验的数据集，来验证注释定位的精度和对开发人员是否有帮助，我们进行了一项人工实验来验证注释定位对开发人员是否具有帮助。最后使用注释定位技术对注释一致性进行检测。

参考文献（略）