基于深度学习的软件重构预测评估方法

摘要

为了解决当前软件重构领域深度学习模型预测性能研究的不足，提出了一种基于深度学习的软件重构预测评估方法，以评估深度学习模型的重构预测性能。首先，采用静态分析工具从303个Java项目中收集重构和非重构标签实例，针对提取类、提取子类、提取超类、提取接口、移动类、重命名类以及移动和重命名类7种重构操作构建了7个由源代码度量组成的数据集；其次，搭建卷积神经网络模型、长短期记忆网络模型、门控循环单元模型、多层感知机、自编码器在数据集上进行训练和测试；最后，根据每个模型的准确率、查准率、查全率和F1值对模型进行评估。结果表明，5种深度学习模型预测重构的准确率、查准率、查全率和F1值的平均值均在93%以上，预测提取子类的准确率最高，卷积神经网络模型预测重构的平均准确率高于其他模型。卷积神经网络模型在软件重构预测评估方面效果较好，为未来使用深度学习模型辅助完成重构推荐任务提供了参考。

关键词

软件工程 / 深度学习 / 软件重构 / 重构预测 / 源代码度量