CN116700727A - 一种跨平台的数据处理方法及系统 - Google Patents

Abstract

本发明公开了一种跨平台的数据处理方法及系统，方法包括：获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。通过上述步骤，可高效开发应用于多种应用平台的代码数据。

Description

一种跨平台的数据处理方法及系统

技术领域

本发明涉及软件开发技术领域，尤其涉及一种跨平台的数据处理方法及系统。

背景技术

目前，市面上基于不同开发平台的多种类型的终端系统，如IOS、安卓、网页端系统等等。因此，应用软件的客户端需要支持在不同类型的终端设备上使用。而每个平台都有各自支持的开发语言，如IOS支持Swift语言、安卓支持Kotlin或Java语言，网页端支持JS语言等，因此在进行应用软件的代码功能开发时，服务提供方的开发人员在服务端进行代码功能开发后，还需要针对不同平台上的客户端开发相应的代码功能代码，导致操作繁琐，且开发周期较长。

发明内容

本发明实施例提供了一种跨平台的数据处理方法及系统，具有高效开发用于多个应用平台的代码数据。

本发明提供一种跨平台的数据处理方法，其特征在于，所述方法包括：

获取第一平台的第一代码数据；

将所述第一代码数据拆分为输入参数、输出参数和文字描述；

将所述输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，所述第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；

将所述第一向量输入至预训练好的神经网络模型中进行预测，生成所述第一代码数据的代码功能；

基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，所述第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

在一可实施方式中，在生成应用于第二平台的第二代码数据之后，所述方法还包括；

对所述第一代码数据和第二代码数据以相同的输入参数进行验证，若所得到的输出结果相同，则确定所述第二代码数据。

在一可实施方式中，所述第一权重a＝0.5，第二权重b＝0.3，第三权重c＝0.2。

在一可实施方式中，若经过验证，所得到的输出结果不相同，则上调所述第一权重和第二权重，下调所述第三权重，其中，经调整后a+b+c＝1。

在一可实施方式中，所述获取第一平台的第一代码数据，包括：

获取经过编译的编译数据；

将所述编译数据进行反编译，生成源码数据；

将所述源码数据进行去壳处理，得到所述第一代码数据。

在一可实施方式中，所述将所述源码数据进行去壳处理，得到所述第一代码数据，包括：

去除所述源码数据中的头文件数据；

将经去除头文件数据后的源码数据根据组织架构进行分类，生成多个第一代码数据。

在一可实施方式中，所述将所述输入参数、输出参数和文字描述进行向量化处理，包括：

将所述输入参数、输出参数和文字描述分别的通过one-hot编码处理，生成第一向量。

在一可实施方式中，所述神经网络模型为卷积神经网络模型。

在一可实施方式中，所述基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，包括：

获取所述第二平台的代码规则；

将所述代码功能、输入参数和输出参数按照所述代码规则进行排布，生成应用于所述第二平台的第二代码数据。

本发明另一方面一种跨平台的数据处理系统，所述系统包括：

数据获取模块，用于获取第一平台的第一代码数据；

数据拆分模块，用于将所述第一代码数据拆分为输入参数、输出参数和文字描述；

数据向量化模块，用于将所述输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，所述第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；

数据生成模块，用于将所述第一向量输入至预训练好的神经网络模型中进行预测，生成所述第一代码数据的代码功能；

数据转换模块，用于基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，所述第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

在本发明实施例中，通过获取第一平台的第一代码数据；将所述第一代码数据拆分为输入参数、输出参数和文字描述；将所述输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，所述第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；将所述第一向量输入至预训练好的神经网络模型中进行预测，生成所述第一代码数据的代码功能；基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，使得第一平台的第一代码数据可高效的转换为应用于第二平台的第二代码数据，此过程无需程序员另外编写一套代码，大大提高了工作效率，对于企业而言，还减少了人力财力。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1为本发明实施例一种跨平台的数据处理方法的实现流程示意图；

图2为本发明实施例一种跨平台的数据处理系统的结构组成图。

具体实施方式

为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种跨平台的数据处理方法，方法包括：

步骤101，获取第一平台的第一代码数据；

步骤102，将第一代码数据拆分为输入参数、输出参数和文字描述；

步骤103，将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；

步骤104，将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；

步骤105，基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

本实施例中，本实施例所提到的第一平台和第二平台可以是手机领域中的安卓平台和iOS平台，也可以是PC主机中的windows平台和MAC平台等。

在步骤101中，首先获取到第一平台的第一代码数据，其中第一代码数据可以是对应第一平台的JAVA语言、JS语言或者Swift语言，上述第一代码数据均包括输入参数、输出参数和文字描述，其中，输入参数表示需要输入的数据类型、输入个数，输出参数表示该第一代码数据在有输入参数的情况下所反馈的数据结果以及输出个数；文字描述一般为程序员对每段代码的注释。

在没有源码但有编译文件的情况下，第一代码数据的获取方式可以为：

步骤1011，获取经过编译的编译数据；

具体为：编译数据可从编译文件中读取得到。

步骤1012，将编译数据进行反编译，生成源码数据；

其中，将编译数据可通过现有的一些反编译工具进行反编译来生成源码数据，源码数据中一般会包含头文件数据、开发者信息、开发时间等等信息。

步骤1013，将源码数据进行去壳处理，得到第一代码数据。

具体的，去壳处理即是将上述所提到的头文件数据、开发者信息、开发时间等等信息去除，通过去壳处理，可方便之后给神经网络模型的输入减少噪声，使得神经网络模型所输出的结果更加准确。

接着将去壳后的源码数据一般会包括很多个第一代码数据，这些代码数据有一定的组织架构整合，例如多个第一代码数据是父类子类继承的关系、重写的关系等。所以在获取到源码之后，根据上述组织架构将源码数据拆分为多个第一代码数据。

在步骤102中，将第一代码数据拆分为输入参数、输出参数和文字描述。

具体的，首先获取第一平台的组成规则，以JAVA语言为例，组成规则依次为输出参数、输入参数和文字描述，拆分时，按照该组成规则进行拆分即可。

在步骤103中，将输入参数、输出参数和文字描述进行one-hot向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1。

公式中可看出，该第一向量整合了上述输入参数、输出参数和文字描述，并对每个参数配置了权重参数，即表示不同参数的权重参数可调整，以表示不同参数的重视程度。

优选的，第一权重a＝0.5，第二权重b＝0.3，第三权重c＝0.2，可见，实际情况中，输入参数和输出参数对后续神经网络模型的输出结果的影响力较高，文字描述的占据较小的影响力。

在步骤104中，将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能。

其中，神经网络模型为卷积神经网络模型，通过预先对卷积神经网络进行大量训练，可使得卷积神经网络模型可根据上述第一向量预测得到第一代码数据的代码功能。

在步骤105中，在得到代码功能之后，结合输出参数、输入参数，生成应用于第二平台的第二代码数据，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

其中，第二代码数据的具体生成过程为：

获取第二平台的代码规则，其中，代码规则为平台的固定排布方式。

然后可通过现有的人工智能技术，将代码功能、输入参数和输出参数按照代码规则进行排布，并生成应用于第二平台的第二代码数据。

由此，通过获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，使得第一平台的第一代码数据可高效的转换为应用于第二平台的第二代码数据，此过程无需程序员另外编写一套代码，大大提高了工作效率，对于企业而言，还减少了人力财力。

在一可实施方式中，在生成应用于第二平台的第二代码数据之后，方法还包括；

对第一代码数据和第二代码数据以相同的输入参数进行验证，若所得到的输出结果相同，则确定第二代码数据。

本实施例中，在生成第二代码数据之后，可通过验证的方式确定此次所生成的第二代码数据是否同第一代码数据一样具有相同的输入参数、输出参数以及代码功能。

具体为：将同一输入参数同时作为第一代码数据和第二代码数据的输入，判断两者的输出结果是否一致，若一致，则可表示此次的转换是正确的，若不一致，则进一步调整每项参数的权重参数进而重新进行预测，优选的，参数权重的调整方式为：上调第一权重和第二权重，下调第三权重，其中，经调整后a+b+c＝1。该调整方式意为加强输入参数和输出参数的影响力，进一步减弱文字描述的影响力，使得最终的输出结果更加准确。

本发明另一方面提供一种跨平台的数据处理系统，系统包括：

数据获取模块201，用于获取第一平台的第一代码数据；

数据拆分模块202，用于将第一代码数据拆分为输入参数、输出参数和文字描述；

数据向量化模块203，用于将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；

数据生成模块204，用于将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；

数据转换模块205，用于基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

本实施例中，本实施例所提到的第一平台和第二平台可以是手机领域中的安卓平台和iOS平台，也可以是PC主机中的windows平台和MAC平台等。

在数据获取模块201中，首先获取到第一平台的第一代码数据，其中第一代码数据可以是对应第一平台的JAVA语言、JS语言或者Swift语言，上述第一代码数据均包括输入参数、输出参数和文字描述，其中，输入参数表示需要输入的数据类型、输入个数，输出参数表示该第一代码数据在有输入参数的情况下所反馈的数据结果以及输出个数；文字描述一般为程序员对每段代码的注释。

在没有源码但有编译文件的情况下，第一代码数据的获取方式可以为：

数据获取模块201可获取经过编译的编译数据；

具体为：编译数据可从编译文件中读取得到。

将编译数据进行反编译，生成源码数据；

其中，将编译数据可通过现有的一些反编译工具进行反编译来生成源码数据，源码数据中一般会包含头文件数据、开发者信息、开发时间等等信息。

将源码数据进行去壳处理，得到第一代码数据。

具体的，去壳处理即是将上述所提到的头文件数据、开发者信息、开发时间等等信息去除，通过去壳处理，可方便之后给神经网络模型的输入减少噪声，使得神经网络模型所输出的结果更加准确。

接着将去壳后的源码数据一般会包括很多个第一代码数据，这些代码数据有一定的组织架构整合，例如多个第一代码数据是父类子类继承的关系、重写的关系等。所以在获取到源码之后，根据上述组织架构将源码数据拆分为多个第一代码数据。

在数据拆分模块202中，将第一代码数据拆分为输入参数、输出参数和文字描述。

具体的，首先获取第一平台的组成规则，以JAVA语言为例，组成规则依次为输出参数、输入参数和文字描述，拆分时，按照该组成规则进行拆分即可。

在数据向量化模块203中，将输入参数、输出参数和文字描述进行one-hot向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1。

公式中可看出，该第一向量整合了上述输入参数、输出参数和文字描述，并对每个参数配置了权重参数，即表示不同参数的权重参数可调整，以表示不同参数的重视程度。

优选的，第一权重a＝0.5，第二权重b＝0.3，第三权重c＝0.2，可见，实际情况中，输入参数和输出参数对后续神经网络模型的输出结果的影响力较高，文字描述的占据较小的影响力。

在数据生成模块204中，将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能。

其中，神经网络模型为卷积神经网络模型，通过预先对卷积神经网络进行大量训练，可使得卷积神经网络模型可根据上述第一向量预测得到第一代码数据的代码功能。

在数据转换模块205中，在得到代码功能之后，结合输出参数、输入参数，生成应用于第二平台的第二代码数据，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

其中，第二代码数据的具体生成过程为：

获取第二平台的代码规则，其中，代码规则为平台的固定排布方式。

然后可通过现有的人工智能技术，将代码功能、输入参数和输出参数按照代码规则进行排布，并生成应用于第二平台的第二代码数据。

由此，通过获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，使得第一平台的第一代码数据可高效的转换为应用于第二平台的第二代码数据，此过程无需程序员另外编写一套代码，大大提高了工作效率，对于企业而言，还减少了人力财力。

在一可实施方式中，在生成应用于第二平台的第二代码数据之后，数据转换模块205还用于；

对第一代码数据和第二代码数据以相同的输入参数进行验证，若所得到的输出结果相同，则确定第二代码数据。

本实施例中，在生成第二代码数据之后，可通过验证的方式确定此次所生成的第二代码数据是否同第一代码数据一样具有相同的输入参数、输出参数以及代码功能。

具体为：将同一输入参数同时作为第一代码数据和第二代码数据的输入，判断两者的输出结果是否一致，若一致，则可表示此次的转换是正确的，若不一致，则进一步调整每项参数的权重参数进而重新进行预测，优选的，参数权重的调整方式为：上调第一权重和第二权重，下调第三权重，其中，经调整后a+b+c＝1。该调整方式意为加强输入参数和输出参数的影响力，进一步减弱文字描述的影响力，使得最终的输出结果更加准确。

本发明另一方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现方法的步骤。

本实施例中，计算机存储介质执行时，获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；，将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

由此，通过获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，使得第一平台的第一代码数据可高效的转换为应用于第二平台的第二代码数据，此过程无需程序员另外编写一套代码，大大提高了工作效率，对于企业而言，还减少了人力财力。

本发明另一方面提供一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现方法的步骤。

本实施例中，计算机存储介质执行时，获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；，将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

由此，通过获取第一平台的第一代码数据；将第一代码数据拆分为输入参数、输出参数和文字描述；将输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；将第一向量输入至预训练好的神经网络模型中进行预测，生成第一代码数据的代码功能；基于代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，使得第一平台的第一代码数据可高效的转换为应用于第二平台的第二代码数据，此过程无需程序员另外编写一套代码，大大提高了工作效率，对于企业而言，还减少了人力财力。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种跨平台的数据处理方法，其特征在于，所述方法包括：

获取第一平台的第一代码数据；

将所述第一代码数据拆分为输入参数、输出参数和文字描述；

将所述输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，所述第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；

将所述第一向量输入至预训练好的神经网络模型中进行预测，生成所述第一代码数据的代码功能；

基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，所述第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。

2.根据权利要求1所述的方法，其特征在于，在生成应用于第二平台的第二代码数据之后，所述方法还包括；

对所述第一代码数据和第二代码数据以相同的输入参数进行验证，若所得到的输出结果相同，则确定所述第二代码数据。

3.根据权利要求2所述的方法，其特征在于，所述第一权重a＝0.5，第二权重b＝0.3，第三权重c＝0.2。

4.根据权利要求3所述的方法，其特征在于，若经过验证，所得到的输出结果不相同，则上调所述第一权重和第二权重，下调所述第三权重，其中，经调整后a+b+c＝1。

5.根据权利要求1所述的方法，其特征在于，所述获取第一平台的第一代码数据，包括：

获取经过编译的编译数据；

将所述编译数据进行反编译，生成源码数据；

将所述源码数据进行去壳处理，得到所述第一代码数据。

6.根据权利要求1所述的方法，其特征在于，所述将所述源码数据进行去壳处理，得到所述第一代码数据，包括：

去除所述源码数据中的头文件数据；

将经去除头文件数据后的源码数据根据组织架构进行分类，生成多个第一代码数据。

7.根据权利要求1所述的方法，其特征在于，所述将所述输入参数、输出参数和文字描述进行向量化处理，包括：

将所述输入参数、输出参数和文字描述分别的通过one-hot编码处理，生成第一向量。

8.根据权利要求1所述的方法，其特征在于，所述神经网络模型为卷积神经网络模型。

9.根据权利要求1所述的方法，其特征在于，所述基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，包括：

获取所述第二平台的代码规则；

将所述代码功能、输入参数和输出参数按照所述代码规则进行排布，生成应用于所述第二平台的第二代码数据。

10.一种跨平台的数据处理系统，其特征在于，所述系统包括：

数据获取模块，用于获取第一平台的第一代码数据；

数据拆分模块，用于将所述第一代码数据拆分为输入参数、输出参数和文字描述；

数据向量化模块，用于将所述输入参数、输出参数和文字描述进行向量化处理，生成第一向量，其中，所述第一向量V＝(x*a，y*b，z*c)，其中，x表示输入参数，y表示输出参数，z表示文字描述，a表示第一权重，b表示第二权重，c表示第三权重，a+b+c＝1；

数据生成模块，用于将所述第一向量输入至预训练好的神经网络模型中进行预测，生成所述第一代码数据的代码功能；

数据转换模块，用于基于所述代码功能、输入参数和输出参数，生成应用于第二平台的第二代码数据，其中，所述第二代码数据和第一代码数据的输入参数、输出参数和代码功能相同。