CN117270934A - 一种基于深度学习辅助代码提交方法、装置、设备和介质 - Google Patents
一种基于深度学习辅助代码提交方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117270934A CN117270934A CN202311197888.8A CN202311197888A CN117270934A CN 117270934 A CN117270934 A CN 117270934A CN 202311197888 A CN202311197888 A CN 202311197888A CN 117270934 A CN117270934 A CN 117270934A
- Authority
- CN
- China
- Prior art keywords
- command
- information
- weight
- denoising
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012827 research and development Methods 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开的实施例公开了一种基于深度学习辅助代码提交方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取命令信息和历史命令信息;根据命令信息和历史命令信息,确定变动命令;确定变动命令的命令类型和需求类型;根据变动命令、命令类型和需求类型,生成至少一个命令摘要。该实施方式对提交内容进行摘要提取,实现了符合研发规范的信息提交,从而防止人工操作导致的错误,使得研发人员的整体工作效率得以提升,并提高用户的代码提交体验。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及一种基于深度学习辅助代码提交方法、装置、电子设备和计算机可读介质。
背景技术
目前,不同的研发体系会设置对应的代码提交标准和规范,研发人员按照该标准和规范进行代码提交,以加强代码健康检测和提交的格式校验。
然而,在多人协作的工作场景中,由多个研发人员共同完成一项研发任务时,即使有标准和规范作为提交代码的指引,不同研发人员提交代码的风格可能仍会存在差异,代码的提交格式并不统一,导致后续对代码维护困难。目前通常做法是通过约束代码风格、提交信息等手段来标准化信息,也仅限代码风格的检查,以及提交信息是否满足约定的文本格式,在操作中还存在不合规范以及信息不对称的错误,同时还由于个人意识不一致产品信息无法理解、词不达意等更深层的信息错误提交。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于深度学习辅助代码提交方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种基于深度学习辅助代码提交方法,该方法包括:获取命令信息和历史命令信息;根据上述命令信息和上述历史命令信息,确定变动命令;确定上述变动命令的命令类型和需求类型;根据上述变动命令、上述命令类型和上述需求类型,生成至少一个命令摘要。
第二方面,本公开的一些实施例提供了一种基于深度学习辅助代码提交装置,装置包括:获取单元,被配置成获取命令信息和历史命令信息;第一确定单元,被配置成根据上述命令信息和上述历史命令信息,确定变动命令;第二确定单元,被配置成确定上述变动命令的命令类型和需求类型;生成单元,被配置成根据上述变动命令、上述命令类型和上述需求类型,生成至少一个命令摘要。
第三方面,本申请实施例提供了一种电子设备,该网络设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:对提交内容进行摘要提取后,生成符合研发规范的提交信息,从而防止人工操作导致的错误,使得研发人员的整体工作效率得以提升,并提高用户的代码提交体验。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的基于深度学习辅助代码提交方法的一个应用场景的示意图;
图2是根据本公开的基于深度学习辅助代码提交方法的一些实施例的流程图;
图3是根据本公开的基于深度学习辅助代码提交装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的基于深度学习辅助代码提交方法的一个应用场景的示意图。
如图1所示,服务器101可以获取命令信息102和历史命令信息103,之后,根据上述命令信息102和上述历史命令信息103,确定变动命令104,再确定上述变动命令104的命令类型105和需求类型106,最后,根据上述变动命令104、上述命令类型105和上述需求类型106,生成至少一个命令摘要107。
可以理解的是,基于深度学习辅助代码提交方法可以是由终端设备来执行,或者也可以是由服务器101来执行,上述方法的执行主体还可以包括上述终端设备与上述服务器101通过网络相集成所构成的设备,或者还可以是各种软件程序来执行。其中,终端设备可以是具有信息处理能力的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。执行主体也可以体现为服务器101、软件等。当执行主体为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的服务器数目仅仅是示意性的。根据实现需要,可以具有任意数目的服务器。
继续参考图2,示出了根据本公开的基于深度学习辅助代码提交方法的一些实施例的流程200。该基于深度学习辅助代码提交方法,包括以下步骤:
步骤201,获取命令信息和历史命令信息。
在一些实施例中,基于深度学习辅助代码提交方法的执行主体(例如图1所示的服务器)可以获取命令信息和历史命令信息。
具体的,上述获取命令信息和历史命令信息通常是指用户输入的git commit命令和用户的历史git commit命令。
步骤202,根据上述命令信息和上述历史命令信息,确定变动命令。
在一些实施例中,基于步骤201中得到的命令信息和历史命令信息,上述执行主体(例如图1所示的服务器)可以确定变动命令。
步骤203,确定上述变动命令的命令类型和需求类型。
在一些实施例中,上述执行主体可以确定上述变动命令的命令类型和需求类型。
作为示例,用户可以打开命令标识符,并在命令标识符中输入git commit xxx;上述执行主体可以根据当前分支策略可以识别到当前所处分支信息,截取分支名称以获取变动命令的命令类型(如ft-12345,命令类型为12345)。
具体的,上述执行主体可以利用shell脚本设置的交互信息获取用户的需求类型(如新增功能、修复漏洞、新增文档、修改文档等),从而提高上述算法中提取摘要的可用性以及用户的体验。
步骤204,根据上述变动命令、上述命令类型和上述需求类型,生成至少一个命令摘要。
在一些实施例中,上述执行主体可以根据上述变动命令、上述命令类型和上述需求类型,生成至少一个命令摘要。
在一些实施例的一些可选的实现方式中,上述执行主体可以对上述变动命令进行预处理,得到去噪命令集,其中,上述去噪命令集包括至少一条去噪命令;对于上述去噪命令集中的每条去噪命令,为上述去噪命令设置权重,得到至少一个权重命令集;对于上述至少一个权重命令集合中的每个权重命令集,根据上述权重命令集、上述命令类型和上述需求类型,生成至少一个命令摘要。
具体的,上述执行主体可以对变动命令进行去除无用的字符、将描述信息转成小写、去除停用词等,这样可以减少噪声对模型的影响,提高模型准确性。
在一些实施例的一些可选的实现方式中,上述至少一个权重命令集是根据以下权重设置步骤得到的:确定上述去噪命令对应的去噪命令属性,其中,上述去噪命令属性包括上述去噪命令对应的时间信息、内容信息;按照上述时间信息为上述去噪命令设置第一权重,得到第一权重命令集;按照上述时间信息为上述去噪命令设置第二权重,得到第二权重命令集;按照上述内容信息为上述去噪命令设置第三权重,得到第三权重命令集。
作为示例,上述执行主体可以按照时间的先后顺序为上述去噪命令赋予权重。作为又一示例,上述执行主体还可以按照内容的多少或者内容的重要性等指标为尚书去噪命令设置权重。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述权重命令集输入至预先训练的摘要模型,得到上述变动命令集对应的摘要内容;将上述摘要内容、上述命令类型和上述需求类型进行合并,得到至少一个命令摘要。
作为示例,利用上述过程中获取的三层信息(命令类型、需求类型、摘要)合成最终的提交信息(如:#12345#feat:修改工具类)。
在一些实施例的一些可选的实现方式中,上述摘要模型是以多层LSTM模型为初始模型,以样本权重命令集为上述初始模型的输入,以上述样本权重命令集对应的样本摘要内容为上述初始模型的期望输出,利用反向传播算法对上述初始模型进行优化得到的。
具体的,模型训练可以通过以下步骤进行:
抽取训练集:从历史记录中抽取足够量的记录,并查找对应系统英文名称、中文名称、业务属性、业务流程属性、提交时间、作者、修改文件等相关数据,形成训练集;
数据预处理:对训练集数据进行预处理,具体来说就是需要去除无用的字符、将描述信息转成小写、去除停用词等,这样可以减少噪声对模型的影响,提高模型准确性;
序列化处理:将训练集对应的提交描述(后续简称结果集)转化为模型可以处理的序列化数据,具体来说就是将每个提交记录的描述分成多个词语,并将其转化为数字向量,这可以通过词向量模型(word2Vec)来实现,这样每个提交记录描述就可以表示为一个数字序列,作为模型的输入;
构建模型:使用LSTM来构建模型。LSTM可以有效地处理序列数据,并避免梯度消失问题。具体来说,将使用多层LSTM来构建模型,以提高模型的准确性;
训练模型:在模型构建完成后,需要使用训练数据对模型进行训练,训练数据结果集和训练集。在训练过程中,将通过结果集输入,并利用反向传播算法来更新模型的权重,以使其能够更好地预测提交记录的关键信息;
预测结果:在模型训练完成后,可以使用它来预测新的Git提交记录的关键信息。具体来说,将输入新的提交记录序列(对应系统英文名称、中文名称、业务属性、业务流程属性、提交时间、作者、修改文件),使用模型进行预测,并输出预测结果。
在一些实施例的一些可选的实现方式中,上述执行主体可以显示第一展示界面,其中,上述第一展示界面包括上述至少一个命令摘要以及确认控件;响应于检测到用户在上述第一展示界面中利用上述确认控件对上述至少一个命令摘要中目标命令摘要的确认操作,将上述变动命令以及上述目标命令摘要加入正向集,将其余命令摘要加入负向集;利用上述正向集和上述负向集对上述摘要模型进行优化。
在一些实施例的一些可选的实现方式中,上述执行主体可以响应于检测到用户在上述第一展示界面中利用上述确认控件对上述至少一个命令摘要的否定操作,显示第二展示界面,其中,上述第二展示界面包括命令录入控件;响应于检测到用户在上述第二展示界面中针对上述录入控件的录入操作,获取上述录入操作对应的目标信息,将上述目标信息和上述变动命令加入正向集,将上述至少一个命令摘要和上述变动命令加入负向集;利用上述正向集和上述负向集对上述摘要模型进行优化。
作为示例,可以提示“本次提交信息为:#12345#feat:修改工具类”,则用户可以点击enter键进行确认并最终执行真实的git commit-m“#12345#feat:修改工具类”,否则最为放弃处理,终止命令。
利用上述过程中获取用户最终选择结果上报至算法模型,如用户选择算法摘要信息则将该条信息作为正向集优化算法模型,其他摘要作为负向集优化算法模型;如果用户选择放弃并自行录入,则将用户自行录入信息作为正向集优化算法模型,算法摘要作为负向集优化算法模型,以此对模型进行不断优化,提升模型生成的摘要准确度。
应理解,本申请实施例中,在提交代码过程中,界面显示的提示信息等用于与用户进行交互的信息,可以基于shell脚本设置。换言之,本申请实施例提供的方法,主要在现有的基于git命令提交代码的过程中,增加调用shell脚本设置的交互信息,从而在代码提交过程中,提示用户代码状态、下一步操作等,降低用户提交代码过程中的错误。
本公开的上述各个实施例中的一个实施例具有如下有益效果:对提交内容进行摘要提取后,生成符合研发规范的提交信息,从而防止人工操作导致的错误,使得研发人员的整体工作效率得以提升,并提高用户的代码提交体验。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种基于深度学习辅助代码提交装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的一种基于深度学习辅助代码提交装置300包括:获取单元301、第一确定单元302、第二确定单元303和生成单元304。其中,获取单元301,被配置成获取命令信息和历史命令信息;第一确定单元302,被配置成根据上述命令信息和上述历史命令信息,确定变动命令;第二确定单元303,被配置成确定上述变动命令的命令类型和需求类型;生成单元304,被配置成根据上述变动命令、上述命令类型和上述需求类型,生成至少一个命令摘要。
在一些实施例的可选实现方式中,生成单元被进一步配置成:对上述变动命令进行预处理,得到去噪命令集,其中,上述去噪命令集包括至少一条去噪命令;对于上述去噪命令集中的每条去噪命令,为上述去噪命令设置权重,得到至少一个权重命令集;对于上述至少一个权重命令集合中的每个权重命令集,根据上述权重命令集、上述命令类型和上述需求类型,生成至少一个命令摘要。
在一些实施例的可选实现方式中,上述至少一个权重命令集是根据以下权重设置步骤得到的:确定上述去噪命令对应的去噪命令属性,其中,上述去噪命令属性包括上述去噪命令对应的时间信息、内容信息;按照上述时间信息为上述去噪命令设置第一权重,得到第一权重命令集;按照上述时间信息为上述去噪命令设置第二权重,得到第二权重命令集;按照上述内容信息为上述去噪命令设置第三权重,得到第三权重命令集。
在一些实施例的可选实现方式中,生成单元被进一步配置成:将上述权重命令集输入至预先训练的摘要模型,得到上述变动命令集对应的摘要内容;将上述摘要内容、上述命令类型和上述需求类型进行合并,得到至少一个命令摘要。
在一些实施例的可选实现方式中,,上述摘要模型是以多层LSTM模型为初始模型,以样本权重命令集为上述初始模型的输入,以上述样本权重命令集对应的样本摘要内容为上述初始模型的期望输出,利用反向传播算法对上述初始模型进行优化得到的。
在一些实施例的可选实现方式中,上述装置还包括第一显示单元,被配置成:显示第一展示界面,其中,上述第一展示界面包括上述至少一个命令摘要以及确认控件;响应于检测到用户在上述第一展示界面中利用上述确认控件对上述至少一个命令摘要中目标命令摘要的确认操作,将上述变动命令以及上述目标命令摘要加入正向集,将其余命令摘要加入负向集;利用上述正向集和上述负向集对上述摘要模型进行优化。
在一些实施例的可选实现方式中,上述装置还包括第二显示单元,被配置成:响应于检测到用户在上述第一展示界面中利用上述确认控件对上述至少一个命令摘要的否定操作,显示第二展示界面,其中,上述第二展示界面包括命令录入控件;响应于检测到用户在上述第二展示界面中针对上述录入控件的录入操作,获取上述录入操作对应的目标信息,将上述目标信息和上述变动命令加入正向集,将上述至少一个命令摘要和上述变动命令加入负向集;利用上述正向集和上述负向集对上述摘要模型进行优化。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
本公开的上述各个实施例中的一个实施例具有如下有益效果:对提交内容进行摘要提取后,生成符合研发规范的提交信息,从而防止人工操作导致的错误,使得研发人员的整体工作效率得以提升,并提高用户的代码提交体验。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取命令信息和历史命令信息;根据上述命令信息和上述历史命令信息,确定变动命令;确定上述变动命令的命令类型和需求类型;根据上述变动命令、上述命令类型和上述需求类型,生成至少一个命令摘要。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一确定单元、第二确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取命令信息和历史命令信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于深度学习辅助代码提交方法,包括:
获取命令信息和历史命令信息;
根据所述命令信息和所述历史命令信息,确定变动命令;
确定所述变动命令的命令类型和需求类型;
根据所述变动命令、所述命令类型和所述需求类型,生成至少一个命令摘要。
2.根据权利要求1所述的方法,其中,所述根据所述变动命令、所述命令类型和所述需求类型,生成至少一个命令摘要,包括:
对所述变动命令进行预处理,得到去噪命令集,其中,所述去噪命令集包括至少一条去噪命令;
对于所述去噪命令集中的每条去噪命令,为所述去噪命令设置权重,得到至少一个权重命令集;
对于所述至少一个权重命令集合中的每个权重命令集,根据所述权重命令集、所述命令类型和所述需求类型,生成至少一个命令摘要。
3.根据权利要求2所述的方法,其中,所述至少一个权重命令集是根据以下权重设置步骤得到的:
确定所述去噪命令对应的去噪命令属性,其中,所述去噪命令属性包括所述去噪命令对应的时间信息、内容信息;
按照所述时间信息为所述去噪命令设置第一权重,得到第一权重命令集;
按照所述时间信息为所述去噪命令设置第二权重,得到第二权重命令集;
按照所述内容信息为所述去噪命令设置第三权重,得到第三权重命令集。
4.根据权利要求2-3之一所述的方法,其中,所述根据所述权重命令集、所述命令类型和所述需求类型,生成至少一个命令摘要,包括:
将所述权重命令集输入至预先训练的摘要模型,得到所述变动命令集对应的摘要内容;
将所述摘要内容、所述命令类型和所述需求类型进行合并,得到至少一个命令摘要。
5.根据权利要求4所述的方法,其中,所述摘要模型是以多层LSTM模型为初始模型,以样本权重命令集为所述初始模型的输入,以所述样本权重命令集对应的样本摘要内容为所述初始模型的期望输出,利用反向传播算法对所述初始模型进行优化得到的。
6.根据权利要求4所述的方法,其中,所述方法还包括:
显示第一展示界面,其中,所述第一展示界面包括所述至少一个命令摘要以及确认控件;
响应于检测到用户在所述第一展示界面中利用所述确认控件对所述至少一个命令摘要中目标命令摘要的确认操作,将所述变动命令以及所述目标命令摘要加入正向集,将其余命令摘要加入负向集;
利用所述正向集和所述负向集对所述摘要模型进行优化。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于检测到用户在所述第一展示界面中利用所述确认控件对所述至少一个命令摘要的否定操作,显示第二展示界面,其中,所述第二展示界面包括命令录入控件;
响应于检测到用户在所述第二展示界面中针对所述录入控件的录入操作,获取所述录入操作对应的目标信息,将所述目标信息和所述变动命令加入正向集,将所述至少一个命令摘要和所述变动命令加入负向集;
利用所述正向集和所述负向集对所述摘要模型进行优化。
8.一种命令摘要生成的装置,包括:
获取单元,被配置成获取命令信息和历史命令信息;
第一确定单元,被配置成根据所述命令信息和所述历史命令信息,确定变动命令;
第二确定单元,被配置成确定所述变动命令的命令类型和需求类型;
生成单元,被配置成根据所述变动命令、所述命令类型和所述需求类型,生成至少一个命令摘要。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311197888.8A CN117270934A (zh) | 2023-09-15 | 2023-09-15 | 一种基于深度学习辅助代码提交方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311197888.8A CN117270934A (zh) | 2023-09-15 | 2023-09-15 | 一种基于深度学习辅助代码提交方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117270934A true CN117270934A (zh) | 2023-12-22 |
Family
ID=89207383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311197888.8A Pending CN117270934A (zh) | 2023-09-15 | 2023-09-15 | 一种基于深度学习辅助代码提交方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117270934A (zh) |
-
2023
- 2023-09-15 CN CN202311197888.8A patent/CN117270934A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11775761B2 (en) | Method and apparatus for mining entity focus in text | |
US20230010160A1 (en) | Multimodal data processing | |
CN111159220B (zh) | 用于输出结构化查询语句的方法和装置 | |
CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
JP2023538923A (ja) | テキスト分類についての説明を与えるための技術 | |
CN114385780A (zh) | 程序接口信息推荐方法、装置、电子设备和可读介质 | |
US11645452B2 (en) | Performance characteristics of cartridge artifacts over text pattern constructs | |
CN113468344B (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN109840072B (zh) | 信息处理方法和装置 | |
CN113807056B (zh) | 一种文档名称序号纠错方法、装置和设备 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN117270934A (zh) | 一种基于深度学习辅助代码提交方法、装置、设备和介质 | |
CN113935334A (zh) | 文本信息处理方法、装置、设备和介质 | |
US20210089528A1 (en) | Automated Validity Evaluation for Dynamic Amendment | |
CN111552779A (zh) | 人机对话方法、装置、介质及电子设备 | |
CN111709784A (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN111754984A (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN117172220B (zh) | 文本相似信息生成方法、装置、设备和计算机可读介质 | |
CN115204150B (zh) | 信息校验方法、装置、电子设备和计算机可读介质 | |
US20240152933A1 (en) | Automatic mapping of a question or compliance controls associated with a compliance standard to compliance controls associated with another compliance standard | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN117688909A (zh) | 法规信息处理方法、装置、电子设备和计算机可读介质 | |
US20210081803A1 (en) | On-Demand Knowledge Resource Management | |
CN115481260A (zh) | 基于审计信息的知识图谱构建方法、装置和电子设备 | |
KR20240091214A (ko) | 데이터로부터의 질문 및 답변 쌍들의 추출을 위한 규칙-기반 기술들 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |