设计模式挖掘的有效性评估策略

针对设计模式挖掘结果有效性评估方法缺乏的问题,提出一种设计模式挖掘有效性评估策略,分结构型、行为型和创建型三类归纳了设计模式的设计意图,分析了设计模式挖掘的基准测试系统,探究了设计模式挖掘结果的中间形式表示,为设计模式挖掘的理论与应用研究提供了重要支持。

应用机器学习方法的设计模式挖掘研究

从源码中挖掘设计模式实例具有重要意义,它能够提升软件系统的可理解性和可维护性。基于机器学习方法,提出了一个设计模式挖掘方法。其中,使用类关系图表示软件系统和设计模式,采用子图匹配的方法从软件系统中提取出候选设计模式实例,过滤了大量非设计模式实例组合,提高了设计模式挖掘效率;提出了度量指标,将软件系统和设计模式向量化,采用机器学习的方法对候选设计模式实例进行分类,提高了设计模式挖掘的准确率。实验结果证明此方法效率和有效性上得到了一定的提升。

基于CodeBERT的设计模式语言模型

设计模式是对实际软件设计方案的经验性总结,是软件开发中辅助软件设计的有效方案之一。现有设计模式挖掘研究的任务大多是在源代码中识别设计模式的实例,少有考虑用自然语言语料对设计模式建模。为了提升设计模式语言分类模型的推荐效果,将代码、类图或对象协作纳入考虑范围,提出了一种基于CodeBERT的设计模式分类挖掘模型dpCodeBERT,以实现自然语言与代码语言的对照理解。首先,通过随机组合合成多分类算法数据和代码搜索数据作为模型输入,dpCodeBERT模型能够获取transformer层中的模型为令牌生成的注意力权重;然后,分析令牌和语句注意力权重以发现更有效的模型输入类别,进一步改造训练输入;最后,dpCodeBERT模型能够通过全连接层将分布式特征映射到样本空间并输出复数值的方式实现具体软件工程任务,如设计模式选择和设计模式代码搜索任务。在拥有80个软件设计问题的设计模式选择任务的数据集上的实验结果显示,相比同类基准模型,所提模型在设计模式检测准确率(RCDDP)和平均倒数排名(MRR)两个指标上平均提升了10%~20%,设计模式选择更加准确。通过深度研究模型数据需求,dpCodeBERT挖掘了CodeBERT对类级代码的理解,探索了CodeBERT在设计模式挖掘中的应用,具有预测准确、拓展性强等特点。

带特征指标约束描述的设计模式分类挖掘

为解决设计模式挖掘正确率较低的问题,提出一种带特征指标约束描述的设计模式分类挖掘方法。归纳了47种特征指标,给出了设计模式约束定义,对设计模式特征进行了描述,以Adapter模式、Command模式、Factory Method模式为例,分结构型、行为型与创建型3类挖掘设计模式,设计了3个基准系统与4个经典系统的设计模式挖掘试验。试验结果表明,本研究方法对基准系统的Adapter模式、Command模式、Factory Method模式挖掘正确率为96.13%、91.67%、72.23%,对经典系统挖掘正确率分别为84.3%、81.26%、73.17%,与传统方法比较,本研究方法取得了较好的效果。