CN117742683A - 一种软件开发操作系统 - Google Patents
一种软件开发操作系统 Download PDFInfo
- Publication number
- CN117742683A CN117742683A CN202311838471.5A CN202311838471A CN117742683A CN 117742683 A CN117742683 A CN 117742683A CN 202311838471 A CN202311838471 A CN 202311838471A CN 117742683 A CN117742683 A CN 117742683A
- Authority
- CN
- China
- Prior art keywords
- user
- items
- complement
- user input
- equal
- 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 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000011835 investigation Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000295 complement effect Effects 0.000 claims description 76
- 230000006399 behavior Effects 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004154 complement system Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种软件开发操作系统,涉及操作系统技术领域,该系统运行时,对用户在软件开发过程中输入时的信息进行记录,组成输入信息组,对用户在软件开发过程中的输入补全项进行问卷调查,组成反馈信息组,通过预处理模块进行预处理,组成第一数据集和第二数据集,通过模型建立模块对第一数据集和第二数据集进行建立用户偏好模型,进行分析和训练,获取用户选择指数Xzzs,通过评估模块通过预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案,最后通过决策模块通过用户补全习惯调整策略方案内容,进行具体执行,达到自适应开发用户的使用习惯和需求,实现智能代码补全和建议。
Description
技术领域
本发明涉及操作系统技术领域,具体为一种软件开发操作系统。
背景技术
在软件开发领域,我们面临着现有工具在代码编写过程中存在的一系列挑战。传统的代码补全系统主要基于静态规则和简单的模式匹配,难以准确理解开发者的个性化编码习惯。这使得在复杂的编码场景中,系统提供的补全建议缺乏个性化对于有独特开发风格和习惯的开发人员,无法完全满足开发者的需求,同时,现有系统对于开发者实时行为的深度分析和学习能力有限,无法有效适应开发者在不同项目和阶段的编码风格。
当前软件开发工具在代码补全方面存在的静态性和缺乏个性化给开发者带来了明显的困扰。首先,这导致了在编写代码时系统提供的建议缺乏足够的智能性,使得开发者在处理特定场景时需要额外的手动调整,其次,现有系统无法真正理解开发者的选择序列,从而无法为每位开发者提供针对性的、个性化的补全建议。这种缺陷使得开发者在大型项目中遇到复杂的代码结构时,往往需要花费更多的时间和精力进行调整和优化或者自行输入不使用补全建议。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种软件开发操作系统,解决了背景技术中提到的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种软件开发操作系统,包括输入信息采集模块、反馈采集模块、预处理模块、模型建立模块、评估模块和决策模块;
所述输入信息采集模块对用户在软件开发过程中输入时的信息进行记录,通过用户的选择、停留和确定的代码补全项,将代码补全项的序列信息组成输入信息组;
所述反馈采集模块对用户在软件开发过程中的输入补全项进行问卷调查,通过问卷调查项的序列信息组成反馈信息组;
所述预处理模块对输入信息组和反馈信息组进行预处理,组成第一数据集和第二数据集;
所述模型建立模块对第一数据集和第二数据集进行建立用户偏好模型,进行分析和训练,获取用户选择指数Xzzs;
所述用户选择指数Xzzs通过以下公共获取:
式中,Yhxz表示用户输入选择系数,Fkxs表示用户问卷反馈系数,A和B分别表示用户输入选择系数Yhxz和用户问卷反馈系数Fkxs的比例系数,D表示第一修正常数;
所述用户输入选择系数Yhxz通过第一数据集计算获取,并与预设的用户输入阈值Y进行匹配,获取用户输入评估方案;
所述用户问卷反馈系数Fkxs通过第二数据集计算获取;
所述评估模块通过预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案;
所述决策模块通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整。
优选的,所述输入信息采集模块包括监测单元和交互序列单元;
所述监测单元利用键盘钩子和鼠标事件监听器,在用户进行输入的过程中,实施截获键盘的输入事件和监测用户与代码编辑器的交互事件的事件信息,包括停留项、选择项、确定项和未选择的次数;
所述交互序列单元对用户的选择、停留和确定的代码补全项按照发生的顺序组成交互序列信息,与所述监测单元实时截获的事件信息的进行集成,组成输入信息组。
优选的,所述反馈采集模块包括反馈单元和反馈序列单元;
所述反馈单元通过预设的对用户的软件开发过程中输入补全项的问卷调查,包括有关代码补全项的选择、停留和确定的选项,进行记录用户在问卷调查中的选择项,包括用户的选择项、停留项、确定项以及确定项在代码补全项列表的首列和尾列次数的反馈序列信息;
所述反馈序列单元通过用户选择项的反馈序列信息,进行整理和统一,组成反馈信息组。
优选的,所述预处理模块包括处理单元和整合单元;
所述处理单元对输入信息组和反馈信息组进行预处理,包括空缺项和异常项处理,其中,异常项通过数字信息无异常,非数字信息异常进行判定,再进行格式化处理;
所述整合单元进行预处理后的输入信息组和反馈信息组进行集成,组成第一数据集和第二数据集;
第一数据集包括:停留项序列数量值Tlz、选择项序列数量值Xzz、确定项序列数量值Qdz和未选择序列次数值Wxz;
第二数据集包括:确定项首列次数Qscs、确定项在尾列次数Qwcs、停留项首列次数Tscs和停留项在尾列次数Twc。
优选的,所述模型建立模块包括建模单元;
所述建模单元使用机器学习和相关性分析技术对第一数据集和第二数据集进行建立用户偏好模型,通过模型训练和分析,进行第一次计算获取:用户输入选择系数Yhxz和用户问卷反馈系数Fkxs,再进行第二次计算获取:用户选择指数Xzzs。
优选的,所述用户输入选择系数Yhxz通过以下计算公式获取:
式中,e、f、g和h分别表示停留项序列数量值Tlz、选择项序列数量值Xzz、确定项序列数量值Qdz和未选择序列次数值Wxz的比例系数,K表示第二修正常数;
其中,0.12≤e≤0.18,0.11≤f≤0.17,0.15≤g≤0.31,0.16≤h≤0.34,且e+f+g+h≤1.0;
并且与预设并与预设的用户输入阈值Y进行匹配,获取用户输入评估方案:
用户输入选择系数Yhxz<用户输入阈值Y,用户输入行为无异常,进行采集用户输入信息进行评估用户补全习惯调整策略;
用户输入选择系数Yhxz≥用户输入阈值Y,用户输入行为异常,不采集用户输入信息进行评估用户补全习惯调整策略,执行一小时不采集,并记录自然日不采集一次,当用户输入选择系数Yhxz≥用户输入阈值Y两倍时,用户输入行为异常,执行六小时不采集用户输入信息,当自然日采集记录达到≥三次时,当前自然日不执行用户输入信息。
优选的,所述用户问卷反馈系数Fkxs通过以下公式获取:
式中,m、n、p和s分别表示确定项首列次数Qscs、确定项在尾列次数Qwcs、停留项首列次数Tscs和停留项在尾列次数Twcs的比例系数,R表示第三修正常数;
其中,0.15≤m≤0.21,0.15≤n≤0.28,0.14≤p≤0.22,0.16≤s≤0.29,且m+n+p+s≤1.0。
优选的,所述评估模块包括存储单元和匹配单元;
所述存储单元用于存储用户选择习惯阈值X、用户输入阈值Y、用户补全习惯调整策略方案和用户输入评估方案以及相关调整补全代码的顺序调整方式;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案。
优选的,所述用户补全习惯调整策略方案通过以下方式匹配获取:
用户选择指数Xzzs<用户选择习惯阈值X,不调整用户补全代码的顺序以及类型;
用户选择指数Xzzs≥用户选择习惯阈值X,调整用户补全代码的顺序,对补全代码在尾列使用的代码进行调整到首列,当用户选择指数Xzzs≥用户选择习惯阈值X两倍时,对补全代码使用过的确定项和选择项,统一集成到补全代码列的首列中。
优选的,所述决策模块包括执行单元;
所述执行单元通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整。
(三)有益效果
本发明提供了一种软件开发操作系统,具备以下有益效果:
(1)系统运行时,对用户在软件开发过程中输入时的信息进行记录,组成输入信息组,对用户在软件开发过程中的输入补全项进行问卷调查,组成反馈信息组,通过预处理模块进行预处理,组成第一数据集和第二数据集,通过模型建立模块对第一数据集和第二数据集进行建立用户偏好模型,进行分析和训练,获取用户选择指数Xzzs,通过评估模块通过预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案,最后通过决策模块通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整,达到自适应开发用户的使用习惯和需求,并进行持续的调整和优化,以及实现智能代码补全和建议,根据用户的编码习惯提供更准确、个性化的代码建议,以及达到优化代码补全的顺序和类型,同时经过学习开发者的编码习惯,提供实时、个性化的代码补全和建议,通过智能代码补全库的实现来优化开发者的编码体验。
(2)通过计算获取的用户输入选择系数Yhxz和用户问卷反馈系数Fkx,实现了对用户补全习惯的精准评估。这使得系统能够根据用户个性化的行为特征,自适应地调整代码补全的策略,提供更符合用户期望的建议,引入用户输入选择系数Yhxz和用户输入阈值Y的匹配机制,系统能够识别用户输入行为的异常,在发现异常时,系统不仅停止采集用户输入信息,还执行不同时间段的不采集策略,以减少异常行为对模型训练的影响,提高系统的鲁棒性。
附图说明
图1为本发明一种软件开发操作系统框图流程示意图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通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。
在软件开发领域,我们面临着现有工具在代码编写过程中存在的一系列挑战。传统的代码补全系统主要基于静态规则和简单的模式匹配,难以准确理解开发者的个性化编码习惯。这使得在复杂的编码场景中,系统提供的补全建议缺乏个性化对于有独特开发风格和习惯的开发人员,无法完全满足开发者的需求,同时,现有系统对于开发者实时行为的深度分析和学习能力有限,无法有效适应开发者在不同项目和阶段的编码风格。
当前软件开发工具在代码补全方面存在的静态性和缺乏个性化给开发者带来了明显的困扰。首先,这导致了在编写代码时系统提供的建议缺乏足够的智能性,使得开发者在处理特定场景时需要额外的手动调整,其次,现有系统无法真正理解开发者的选择序列,从而无法为每位开发者提供针对性的、个性化的补全建议。这种缺陷使得开发者在大型项目中遇到复杂的代码结构时,往往需要花费更多的时间和精力进行调整和优化或者自行输入不使用补全建议。
实施例1
本发明提供一种软件开发操作系统,请参阅图1,包括输入信息采集模块、反馈采集模块、预处理模块、模型建立模块、评估模块和决策模块;
所述输入信息采集模块对用户在软件开发过程中输入时的信息进行记录,通过用户的选择、停留和确定的代码补全项,将代码补全项的序列信息组成输入信息组;
所述反馈采集模块对用户在软件开发过程中的输入补全项进行问卷调查,通过问卷调查项的序列信息组成反馈信息组;
所述预处理模块对输入信息组和反馈信息组进行预处理,组成第一数据集和第二数据集;
所述模型建立模块对第一数据集和第二数据集进行建立用户偏好模型,进行分析和训练,获取用户选择指数Xzzs;
所述用户选择指数Xzzs通过以下公共获取:
式中,Yhxz表示用户输入选择系数,Fkxs表示用户问卷反馈系数,A和B分别表示用户输入选择系数Yhxz和用户问卷反馈系数Fkxs的比例系数,D表示第一修正常数;
其中,0.42≤A≤0.55,0.39≤B≤0.45,且A+B≤1.0;
所述用户输入选择系数Yhxz通过第一数据集计算获取,并与预设的用户输入阈值Y进行匹配,获取用户输入评估方案;
所述用户问卷反馈系数Fkxs通过第二数据集计算获取;
所述评估模块通过预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案;
所述决策模块通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整。
本实施例中,通过输入信息采集模块对用户在软件开发过程中输入时的信息进行记录,通过用户的选择、停留和确定的代码补全项,将代码补全项的序列信息组成输入信息组,通过反馈采集模块对用户在软件开发过程中的输入补全项进行问卷调查,通过问卷调查项的序列信息组成反馈信息组,通过预处理模块进行预处理,组成第一数据集和第二数据集,通过模型建立模块对第一数据集和第二数据集进行建立用户偏好模型,进行分析和训练,获取用户选择指数Xzzs,通过评估模块通过预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案,最后通过决策模块通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整,达到自适应开发用户的使用习惯和需求,并进行持续的调整和优化,以及实现智能代码补全和建议,根据用户的编码习惯提供更准确、个性化的代码建议,以及达到优化代码补全的顺序和类型,使得常用的代码片段更易于访问,从而提高开发者的编码效率的目的。
实施例2
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述输入信息采集模块包括监测单元和交互序列单元;
所述监测单元利用键盘钩子和鼠标事件监听器,在用户进行输入的过程中,实施截获键盘的输入事件和监测用户与代码编辑器的交互事件的事件信息,包括停留项、选择项、确定项和未选择的次数;
所述交互序列单元对用户的选择、停留和确定的代码补全项按照发生的顺序组成交互序列信息,与所述监测单元实时截获的事件信息,包括记录每个操作的发生时间和次数信息进行集成,组成输入信息组。
所述反馈采集模块包括反馈单元和反馈序列单元;
所述反馈单元通过预设的对用户的软件开发过程中输入补全项的问卷调查,包括有关代码补全项的选择、停留和确定的选项,进行记录用户在问卷调查中的选择项,包括用户的选择项、停留项、确定项以及确定项在代码补全项列表的首列和尾列次数的反馈序列信息,通过这一反馈过程,系统获取了用户对代码补全行为的主观反馈,为进一步优化模型和后续的计算提供了有针对性的数据基础;
所述反馈序列单元通过用户选择项的反馈序列信息,进行整理和统一,组成反馈信息组,通过对反馈序列信息的整理和统一,形成了详实的反馈信息组,为后续模型的训练和优化提供了可靠的数据基础。
所述预处理模块包括处理单元和整合单元;
所述处理单元对输入信息组和反馈信息组进行预处理,包括空缺项和异常项处理,其中,异常项通过数字信息无异常,非数字信息异常进行判定,再进行格式化处理;
所述整合单元进行预处理后的输入信息组和反馈信息组进行集成,组成第一数据集和第二数据集;
第一数据集包括:停留项序列数量值Tlz、选择项序列数量值Xzz、确定项序列数量值Qdz和未选择序列次数值Wxz;
第二数据集包括:确定项首列次数Qscs、确定项在尾列次数Qwcs、停留项首列次数Tscs和停留项在尾列次数Twcs。
本实施例中,通过监测单元和交互序列单元,系统实现了全面的用户输入信息采集。这一改进点使系统能够深入了解用户在软件开发过程中的实际操作行为,包括停留项、选择项、确定项等,为个性化的代码补全提供了更为丰富和准确的数据支持,以及反馈采集模块通过反馈单元和反馈序列单元,引入了问卷调查的方式获取用户的主观反馈信息,这一改进点使系统能够更全面地了解用户对于代码补全行为的感受和意见,为后续的模型训练和优化提供了更为细致的数据基础。
实施例3
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述模型建立模块包括建模单元;
所述建模单元使用机器学习和相关性分析技术对第一数据集和第二数据集进行建立用户偏好模型,通过模型训练和分析,进行第一次计算获取:用户输入选择系数Yhxz和用户问卷反馈系数Fkxs,再进行第二次计算获取:用户选择指数Xzzs。
实施例4
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述用户输入选择系数Yhxz通过以下计算公式获取:
式中,e、f、g和h分别表示停留项序列数量值Tlz、选择项序列数量值Xzz、确定项序列数量值Qdz和未选择序列次数值Wxz的比例系数,K表示第二修正常数;
其中,0.12≤e≤0.18,0.11≤f≤0.17,0.15≤g≤0.31,0.16≤h≤0.34,且e+f+g+h≤1.0;
并且与预设并与预设的用户输入阈值Y进行匹配,获取用户输入评估方案:
用户输入选择系数Yhxz<用户输入阈值Y,用户输入行为无异常,进行采集用户输入信息进行评估用户补全习惯调整策略;
用户输入选择系数Yhxz≥用户输入阈值Y,用户输入行为异常,不采集用户输入信息进行评估用户补全习惯调整策略,执行一小时不采集,并记录自然日不采集一次,当用户输入选择系数Yhxz≥用户输入阈值Y两倍时,用户输入行为异常,执行六小时不采集用户输入信息,当自然日采集记录达到≥三次时,当前自然日不执行用户输入信息。
所述用户问卷反馈系数Fkxs通过以下公式获取:
式中,m、n、p和s分别表示确定项首列次数Qscs、确定项在尾列次数Qwcs、停留项首列次数Tscs和停留项在尾列次数Twcs的比例系数,R表示第三修正常数;
其中,0.15≤m≤0.21,0.15≤n≤0.28,0.14≤p≤0.22,0.16≤s≤0.29,且m+n+p+s≤1.0。
所述评估模块包括存储单元和匹配单元;
所述存储单元用于存储用户选择习惯阈值X、用户输入阈值Y、用户补全习惯调整策略方案和用户输入评估方案以及相关调整补全代码的顺序调整方式;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案。
所述用户补全习惯调整策略方案通过以下方式匹配获取:
用户选择指数Xzzs<用户选择习惯阈值X,不调整用户补全代码的顺序以及类型;
用户选择指数Xzzs≥用户选择习惯阈值X,调整用户补全代码的顺序,对补全代码在尾列使用的代码进行调整到首列,当用户选择指数Xzzs≥用户选择习惯阈值X两倍时,对补全代码使用过的确定项和选择项,统一集成到补全代码列的首列中。
所述决策模块包括执行单元;
所述执行单元通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整。
本实施例中,通过计算获取的用户输入选择系数Yhxz和用户问卷反馈系数Fkx,实现了对用户补全习惯的精准评估。这使得系统能够根据用户个性化的行为特征,自适应地调整代码补全的策略,提供更符合用户期望的建议,引入用户输入选择系数Yhxz和用户输入阈值Y的匹配机制,系统能够识别用户输入行为的异常,在发现异常时,系统不仅停止采集用户输入信息,还执行不同时间段的不采集策略,以减少异常行为对模型训练的影响,提高系统的鲁棒性。
具体示例:某某软件开发技术部门使用的一种软件开发操作系统,将使用一些具体的参数和值来演示如何计算:用户选择指数Xzzs、用户输入选择系数Yhxz和用户问卷反馈系数Fkxs;
假设拥有以下参数值:
第一数据集包括:停留项序列数量值Tlz:30、选择项序列数量值Xzz:45、确定项序列数量值Qdz:25和未选择序列次数值Wxz:10;
第二数据集包括:确定项首列次数Qscs:15、确定项在尾列次数Qwcs:5、停留项首列次数Tscs:20和停留项在尾列次数Twcs:8;
第二修正常数K:0.5,比例系数:e:0.16、f:0.15、g:0.29和h:0.22;
根据用户输入选择系数Yhxz的计算公式获取:
Yhxs=(0.16*30)+(0.15*45)+(0.29*25)+(0.22*10)+0.5=22;
将用户输入阈值Y设置为20,与用户输入选择系数Yhxz进行匹配,获取用户输入评估方案:用户输入选择系数Yhxz≥用户输入阈值Y,用户输入行为异常,不采集用户输入信息进行评估用户补全习惯调整策略,执行一小时不采集,并记录自然日不采集一次,当用户输入选择系数Yhxz≥用户输入阈值Y两倍时,用户输入行为异常,执行六小时不采集用户输入信息,当自然日采集记录达到≥三次时,当前自然日不执行用户输入信息。
第三修正常数R:0.49,比例系数:m:0.19、n:0.26、p:0.21和s:0.27;
根据用户问卷反馈系数Fkxs的计算公式获取:
Fkxs=(0.19*15)+(0.26*5)+(0.21*20)+(0.27*8)+0.49=11;
第一修正常数:0.05,比例系数:A:0.52和B:0.43;
根据用户选择指数Xzzs的计算公式获取:
Xzzs=(0.51*22)+(0.42*11)+0.16=16;
将用户选择习惯阈值X设置为20,与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案:用户选择指数Xzzs<用户选择习惯阈值X,不调整用户补全代码的顺序以及类型。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种软件开发操作系统,其特征在于:包括输入信息采集模块、反馈采集模块、预处理模块、模型建立模块、评估模块和决策模块;
所述输入信息采集模块对用户在软件开发过程中输入时的信息进行记录,通过用户的选择、停留和确定的代码补全项,将代码补全项的序列信息组成输入信息组;
所述反馈采集模块对用户在软件开发过程中的输入补全项进行问卷调查,通过问卷调查项的序列信息组成反馈信息组;
所述预处理模块对输入信息组和反馈信息组进行预处理,组成第一数据集和第二数据集;
所述模型建立模块对第一数据集和第二数据集进行建立用户偏好模型,进行分析和训练,获取用户选择指数Xzzs;
所述用户选择指数Xzzs通过以下公共获取:
式中,Yhxz表示用户输入选择系数,Fkxs表示用户问卷反馈系数,A和B分别表示用户输入选择系数Yhxz和用户问卷反馈系数Fkxs的比例系数,D表示第一修正常数;
所述用户输入选择系数Yhxz通过第一数据集计算获取,并与预设的用户输入阈值Y进行匹配,获取用户输入评估方案;
所述用户问卷反馈系数Fkxs通过第二数据集计算获取;
所述评估模块通过预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案;
所述决策模块通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整。
2.根据权利要求1所述的一种软件开发操作系统,其特征在于:所述输入信息采集模块包括监测单元和交互序列单元;
所述监测单元利用键盘钩子和鼠标事件监听器,在用户进行输入的过程中,实施截获键盘的输入事件和监测用户与代码编辑器的交互事件的事件信息,包括停留项、选择项、确定项和未选择的次数;
所述交互序列单元对用户的选择、停留和确定的代码补全项按照发生的顺序组成交互序列信息,与所述监测单元实时截获的事件信息的进行集成,组成输入信息组。
3.根据权利要求1所述的一种软件开发操作系统,其特征在于:所述反馈采集模块包括反馈单元和反馈序列单元;
所述反馈单元通过预设的对用户的软件开发过程中输入补全项的问卷调查,包括有关代码补全项的选择、停留和确定的选项,进行记录用户在问卷调查中的选择项,包括用户的选择项、停留项、确定项以及确定项在代码补全项列表的首列和尾列次数的反馈序列信息;
所述反馈序列单元通过用户选择项的反馈序列信息,进行整理和统一,组成反馈信息组。
4.根据权利要求1所述的一种软件开发操作系统,其特征在于:所述预处理模块包括处理单元和整合单元;
所述处理单元对输入信息组和反馈信息组进行预处理,包括空缺项和异常项处理,其中,异常项通过数字信息无异常,非数字信息异常进行判定,再进行格式化处理;
所述整合单元进行预处理后的输入信息组和反馈信息组进行集成,组成第一数据集和第二数据集;
第一数据集包括:停留项序列数量值Tlz、选择项序列数量值Xzz、确定项序列数量值Qdz和未选择序列次数值Wxz;
第二数据集包括:确定项首列次数Qscs、确定项在尾列次数Qwcs、停留项首列次数Tscs和停留项在尾列次数Twcs。
5.根据权利要求1所述的一种软件开发操作系统,其特征在于:所述模型建立模块包括建模单元;
所述建模单元使用机器学习和相关性分析技术对第一数据集和第二数据集进行建立用户偏好模型,通过模型训练和分析,进行第一次计算获取:用户输入选择系数Yhxz和用户问卷反馈系数Fkxs,再进行第二次计算获取:用户选择指数Xzzs。
6.根据权利要求4所述的一种软件开发操作系统,其特征在于:所述用户输入选择系数Yhxz通过以下计算公式获取:
式中,e、f、g和h分别表示停留项序列数量值Tlz、选择项序列数量值Xzz、确定项序列数量值Qdz和未选择序列次数值Wxz的比例系数,K表示第二修正常数;
其中,0.12≤e≤0.18,0.11≤f≤0.17,0.15≤g≤0.31,0.16≤h≤0.34,且e+f+g+h≤1.0;
并且与预设并与预设的用户输入阈值Y进行匹配,获取用户输入评估方案:
用户输入选择系数Yhxz<用户输入阈值Y,用户输入行为无异常,进行采集用户输入信息进行评估用户补全习惯调整策略;
用户输入选择系数Yhxz≥用户输入阈值Y,用户输入行为异常,不采集用户输入信息进行评估用户补全习惯调整策略,执行一小时不采集,并记录自然日不采集一次,当用户输入选择系数Yhxz≥用户输入阈值Y两倍时,用户输入行为异常,执行六小时不采集用户输入信息,当自然日采集记录达到≥三次时,当前自然日不执行用户输入信息。
7.根据权利要求4所述的一种软件开发操作系统,其特征在于:所述用户问卷反馈系数Fkxs通过以下公式获取:
式中,m、n、p和s分别表示确定项首列次数Qscs、确定项在尾列次数Qwcs、停留项首列次数Tscs和停留项在尾列次数Twcs的比例系数,R表示第三修正常数;
其中,0.15≤m≤0.21,0.15≤n≤0.28,0.14≤p≤0.22,0.16≤s≤0.29,且m+n+p+s≤1.0。
8.根据权利要求1所述的一种软件开发操作系统,其特征在于:所述评估模块包括存储单元和匹配单元;
所述存储单元用于存储用户选择习惯阈值X、用户输入阈值Y、用户补全习惯调整策略方案和用户输入评估方案以及相关调整补全代码的顺序调整方式;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括预设的用户选择习惯阈值X与用户选择指数Xzzs进行匹配,获取用户补全习惯调整策略方案。
9.根据权利要求8所述的一种软件开发操作系统,其特征在于:所述用户补全习惯调整策略方案通过以下方式匹配获取:
用户选择指数Xzzs<用户选择习惯阈值X,不调整用户补全代码的顺序以及类型;
用户选择指数Xzzs≥用户选择习惯阈值X,调整用户补全代码的顺序,对补全代码在尾列使用的代码进行调整到首列,当用户选择指数Xzzs≥用户选择习惯阈值X两倍时,对补全代码使用过的确定项和选择项,统一集成到补全代码列的首列中。
10.根据权利要求9所述的一种软件开发操作系统,其特征在于:所述决策模块包括执行单元;
所述执行单元通过用户补全习惯调整策略方案内容,进行具体执行,包括调整补全代码的顺序调整和补全代码类型调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311838471.5A CN117742683A (zh) | 2023-12-28 | 2023-12-28 | 一种软件开发操作系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311838471.5A CN117742683A (zh) | 2023-12-28 | 2023-12-28 | 一种软件开发操作系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117742683A true CN117742683A (zh) | 2024-03-22 |
Family
ID=90281249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311838471.5A Pending CN117742683A (zh) | 2023-12-28 | 2023-12-28 | 一种软件开发操作系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117742683A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10817264B1 (en) * | 2019-12-09 | 2020-10-27 | Capital One Services, Llc | User interface for a source code editor |
WO2021213293A1 (zh) * | 2020-04-24 | 2021-10-28 | 西北工业大学 | 一种面向群智感知的泛在操作系统 |
WO2022226716A1 (zh) * | 2021-04-25 | 2022-11-03 | 南京大学 | 基于深度学习的Java程序内部注释的生成方法及系统 |
US11782681B1 (en) * | 2020-11-24 | 2023-10-10 | Outsystems—Software Em Rede, S.A. | Providing resolution suggestions in a program development tool |
-
2023
- 2023-12-28 CN CN202311838471.5A patent/CN117742683A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10817264B1 (en) * | 2019-12-09 | 2020-10-27 | Capital One Services, Llc | User interface for a source code editor |
WO2021213293A1 (zh) * | 2020-04-24 | 2021-10-28 | 西北工业大学 | 一种面向群智感知的泛在操作系统 |
US11782681B1 (en) * | 2020-11-24 | 2023-10-10 | Outsystems—Software Em Rede, S.A. | Providing resolution suggestions in a program development tool |
WO2022226716A1 (zh) * | 2021-04-25 | 2022-11-03 | 南京大学 | 基于深度学习的Java程序内部注释的生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
CN107730000A (zh) | 用于空调的冷媒泄漏检测方法和装置 | |
CN110750567A (zh) | 一种基于智能衣柜的穿搭数据生成方法及系统 | |
CN108960269B (zh) | 数据集的特征获取方法、装置及计算设备 | |
CN110956277A (zh) | 一种交互式的迭代建模系统及方法 | |
CN111782460A (zh) | 大规模日志数据的异常检测方法、装置和存储介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN116934220A (zh) | 一种基于智能数据分析和算法优化的智慧仓储布局方法 | |
CN110110663A (zh) | 一种基于人脸属性的年龄识别方法及系统 | |
CN108960486B (zh) | 基于灰支持向量回归机预测适应值的交互式集合进化方法 | |
CN115630433A (zh) | 一种基于机器学习和bim技术的建筑设计方法及系统 | |
CN114519451A (zh) | 智能化孤岛型园区车辆碳排量预测方法和系统 | |
CN110966731B (zh) | 调节工作参数的方法 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN113379188A (zh) | 基于物联网的烟草轮作种植方法和系统 | |
CN110377525B (zh) | 一种基于运行时特征和机器学习的并行程序性能预测系统 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN117742683A (zh) | 一种软件开发操作系统 | |
CN116843388A (zh) | 一种广告投放分析方法及系统 | |
CN111708810A (zh) | 模型优化推荐方法、装置和计算机存储介质 | |
CN114697127B (zh) | 一种基于云计算的业务会话风险处理方法及服务器 | |
CN110781978A (zh) | 一种用于机器学习的特征处理方法和系统 | |
Wang et al. | IOHanalyzer: Detailed Performance Analyses for Iterative Optimization Heuristics | |
CN109754354B (zh) | 优化碳信息披露方案的方法和装置 | |
CN113869973A (zh) | 产品推荐方法、产品推荐系统和计算机可读存储介质 |
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 |