【ASE模型组】Hint::neural 模型与case study

模型

基于搜索的提示系统

我们的系统用Pycee针对语法错误给出提示。然而，对于语法正确、结果错误的代码，我们需要另外的解决方式。因此，我们维护一些 (错误代码, 相应提示) 的数据，该数据可以由我们预先给定，也会在网站运行过程中请用户标注。当用户出现错误时，搜索与用户错误代码相似的已有错误代码，并给出相应提示。

为了计算代码之间的相似度，我们需要采用code embedding技术，即将一段代码编码为高维空间中的向量。

CodeSearchNet

今年，GitHub和Weights&Biases携手推出了一项新赛事 CodeSearchNet，旨在推动语义代码搜索的相关研究。CodeSearchNet语料库的数据取自GitHub上的开源项目，经过了充分的预处理。其中包含了约600万种函数，取自Go，Java，JavaScript，PHP，Python和Ruby这六种编程语言的开源代码，以及大量用于查询的自然语言及其标注。其中，用于查询的自然语言获取自Bing搜索引擎的常见搜索语句，标注由专家人工标注所得。

为了更好地评判不同的code searching方法，CodeSearchNet还公开了baseline模型代码 repo，并设立了leaderboard，其中包含大量预训练模型。因此，我们可以采用表现良好的预训练模型对代码计算embedding，从而计算相似度并进行匹配。

Baseline模型

Baseline模型包含code encoder (E_c)与query encoder (E_q)两部分，将代码与查询文本投射到同一个高维向量空间中。

训练过程中，训练数据包括大量code and text pair: ((c_i, q_i))。通过最大化(E_c(c_i))与(E_q(q_i))的余弦相似度，使得代码(c_i)与文本(q_i)的embedding尽可能相似。

Code Encoder

由于我们只使用code encoder部分，因此下面只讲解code encoder。

首先，模型将代码转换为token序列。为了避免空格、空白换行等问题对tokenize产生影响，模型利用parso]()解析代码的AST，并遍历AST、将各个叶子结点对应的值结合为token序列。如下列代码：

n = int(input())
d = dict()
for i in range(1, n + 1):
    d[i] = i*i
print(d)

被tokenize为如下序列：'n', '=', 'int', '(', 'input', '(', ')', ')', 'd', '=', 'dict', '(', ')', 'for', 'i', 'in', 'range', '(', '1', ',', 'n', '+', '1', ')', ':', 'd', '[', 'i', ']', '=', 'i', '*', 'i', 'print', '(', 'd', ')'；token序列经过BPE编码得到BPE code序列。

接着，模型对序列中的每个BPE code计算一个embedding。Embedding计算方法包括：

• Neural Bag of Words：每个BPE code被投影到一个embedding上
• Bidirectional RNN
• 1D Convolutional Neural Network
• Self-Attention：使用multi-head attention

最后，通过pooling方式将embedding序列合并为一个embedding；可用的pooling方法包括max / mean pooling与weighted sum pooling。

我们使用的模型为leaderboard第一个模型，即Neural Bag of Words + weighted sum pooling。我们用模型的code encoder计算用户错误代码embedding (vec{x})与已有错误代码的embedding (vec{c}_i, i=1,2,...,N)，选择与用户错误代码cosine similarity最大的已有错误代码，返回相应提示。

Case study

Code Embedding

模型的vocabulary大小为10000，其中包括5000个单词和5000个BPE code。计算vocabulary中，部分单词之间cosine similarity如下：

word 1	word 2	cosine similarity
for	while	0.1801
try	except	0.1785
open	while	-0.2296

可以看出，含义相似的单词（如for和while都表示循环）embedding较为相似。而try、except虽然含义不相似，但功能十分相关，因此相似度也较高。而基本无关的单词（如open和while）相似度很低。

代码相似度计算

考虑以下四段代码，分别为题目的正确解法1、正确解法2、与解法2类似的错误3、与错误3相同的错误4.计算其两两cosine similarity：

def fact(x):
    if x == 0:
        return 1
    return x * fact(x - 1)

x = int(input())
print(fact(x))

x = int(input())
out = 1
for xx in range(1, x + 1):
    out *= xx
print(out)

x = input()
out = 1
for xx in range(1, x + 1):
    out *= xx
print(out)

inp = input()
out = 1
for i in range(1, inp + 1):
    out *= i
print(out)

计算得cosine similarity如下：

	code 1	code 2	code 3	code 4
code 1	-	0.9854	0.9835	0.9716
code 2	-	-	0.9995	0.9861
code 3	-	-	-	0.9859
code 4	-	-	-	-

由于各个代码片段较短，各个code embedding都比较相似。