پیشنهاد نام تابع و کلاس بر اساس شباهت کد منبع

نامهای بکار رفته در کد منبع نرم افزار به خصوص نام کلاسها و توابع نقش بسزایی در درک برنامه دارند که مستقیما بر ویژگی های کیفیت مانند خوانایی ، آزمایش پذیری و قابل فهم بودن تاثیر می گذارند. تکنیک های پیشرفته نامگذاری از یادگیری عمیق برای محاسبه شباهت توابع و کلاسها با توجه به محتوای متنی آنها استفاده می کنند که به شدت به نام شناسه ها بستگی دارند و روابط متقابل معنایی را محاسبه نمی کنند. در حالی که متریک های کد منبع چنین روابط متقابل معنایی را محاسبه می کنند. این مقاله از متریک های کد منبع برای اندازه گیری شباهت های معنایی و ساختاری بین پروژهای استفاده می کند. متریک ها ویژگی های یک مدل KNN را تشکیل می دهند که شبیه ترین k تابع یا کلاس را به یک تابع یا کلاس مورد نظر تعیین می کنند. ارزیابی با ۴۰۰۰۰۰۰ تابع و ۷۶۰۳۷ کلاس جاوا بر روی مدل پیشنهادی ۸۷/۴ و ۰۵/۱۳ درصد بهبود در دقت و پوشش برای توابع و ۹۳/۲ درصد بهبود امتیاز F- برای کلاسها نسبت به پیشرفته ترین رویکردها را نشان می دهد.

Keywords:

نامگذاری تابع , نامگذاری کلاس , پیشنهاد نام , شباهت کد منبع , متریک های کد منبع .