基于CNN的程序编译错误信息特征提取

伴随着互联网行业的迅速发展,在自然语言处理领域中,有效地将输入表示为固定长度的特征向量是机器学习算法中的一个重要研究方向。海量的编译错误信息不仅可以用于程序错误相似度的研究,也可将编译错误信息进行聚类、分类之后给教师在计算机编程类课程的教育教学中给予针对性的指导。这些应用的根本在于高效地提取编译错误信息特征。该文提出了一种基于word2vec模型结合卷积神经网络(convolutional neural networks, CNN)对编译错误信息进行特征提取的方法,首先利用word2vec工具中的skip-gram模型以词向量的形式表示编译错误信息,然后利用CNN神经网络完整地表征编译错误信息特征向量。有效地从可变长度的编译错误信息中学习固定长度的特征表示。最后使用支持向量机(SVM)分类算法进行实验结果的验证。结果表明,该特征提取方法在编译错误信息中有显著的效果。

基于word2vec的程序编译错误信息特征提取方法

输入表示为固定长度的特征向量是机器学习算法要求之一。针对编程中的编译错误信息特征,论文提出了基于word2vec模型对编译错误信息进行特征提取。利用滑动窗口取词的方式,建立one-hot字典,结合word2vec中的Skip-gram模型,构建Huffman树,从可变长度的文本中学习固定长度的特征表示。最后使用SVM分类算法进行实验结果的验证。结果表明,该特征提取方法在编译错误信息中有显著的效果。

基于主成分分析的编译错误信息分类法（英文）

成为一个有能力的程序员,对于所有计算学科的学生来说,至关重要,尤其是软件工程专业。程序员初学者面临着很多挑战,例如计算科学专业学生就业率的下滑,以及越来越多的非计算科学专业的学生开始学习程序开发。对于帮助学生识别风险、规划职业生涯的方法的研究已经进行了几十年了。大多数此类研究主要关注如何分类初学者犯的错误,以帮助他们明白这些错误如何产生,帮助他们快速地克服或回避此类错误。本文展现了如何借助主成分分析方法对编译错误进行分类。我们根据学生在编程过程中产生的数据,提取相关错误的分类信息,以识别学生们的纠结之处,并给他们提供指导建议。