[发明专利]代码生成方法、装置、电子设备及存储介质

说明书

本公开实施例提出了一种代码生成方法、装置、电子设备及存储介质，涉及人工智能技术领域，其中代码生成方法包括：从开源网站上获取多个封装代码数据；对多个封装代码数据进行标注，形成对应于封装代码数据的多个正样本；从预设语料库中提取出多个负样本；对多个正样本和多个负样本进行文本预训练，得到待融合特征；根据代码生成网络和预设融合函数对待融合特征进行融合，生成多维度的目标向量特征；对目标向量特征的神经元进行修正，得到神经元矩阵；根据神经元矩阵和预设高斯模型生成目标代码。上述代码生成方法，能够节省大量的调研和适配成本，更好的扩充文本生成代码的范围和多样性，大量提升代码生成的准确率，很好的提升网络的鲁棒性。

技术领域

本公开实施例涉及人工智能技术领域，尤其是涉及一种代码生成方法、装置、电子设备及存储介质。

背景技术

在使用代码实现某些功能时，通常的实现只是需要少量的定制代码(即自己实现的代码)，其余的大部代码均只需要使用网络上的开源代码即可，这些代码提供了大量的封装和优化，并不需要重复的造轮子(即重新编写代码实现)。然而由于开源社区过于庞大，有时候程序员在试图寻找某一功能是否在网络上是否有开源代码时，首先需要大量的查阅各种资料以确定是否某一功能是否被实现，其次，还需要使用语言的适配性，最后才能进行代码的合并。这些问题使得代码的复用非常困难且要花费大量的时间进行调研，这不利于开源代码的复用。

发明内容

本公开实施例的主要目的在于提出一种代码生成方法，能够节省大量的调研和适配成本，更好的扩充文本生成代码的范围和多样性，大量提升代码生成的准确率，很好的提升网络的鲁棒性。

为实现上述目的，本公开实施例的第一方面提出了一种代码生成方法，包括：

根据预设选取条件从开源网站上获取多个封装代码数据；

对多个所述封装代码数据进行标注，形成对应于所述封装代码数据的多个正样本；

从预设语料库中提取出多个负样本；

对多个所述正样本和多个所述负样本进行文本预训练，得到待融合特征；

根据代码生成网络和预设融合函数对所述待融合特征进行融合，生成多维度的目标向量特征；

对所述目标向量特征的神经元进行修正，得到神经元矩阵；

根据所述神经元矩阵和预设高斯模型生成目标代码。

在一些实施例，所述根据预设选取条件从开源网站上获取多个封装代码数据，包括：从开源网站上采集多个原始代码数据；根据所述预设选取条件从所述多个原始代码数据中选取出通用代码数据；根据通用封装函数对所述通用代码数据进行封装，得到所述封装代码数据。

在一些实施例，所述对多个所述封装代码数据进行标注处理，形成对应于所述封装代码数据的多个正样本，包括：对所述多个封装代码数据进行代码标注，形成多个所述正样本。

在一些实施例，所述从预设语料库中提取出多个负样本，包括：从预设语料库中获取多个负文本句子；获取所述多个负文本句子对应的预设封装函数；根据所述预设封装函数对所述多个负文本句子进行封装，形成多个所述负样本。

在一些实施例，所述对多个所述正样本和多个所述负样本进行文本预训练，得到待融合特征，包括：获取预设的文本预训练网络；根据所述文本预训练网络对多个所述正样本和多个所述负样本进行词性拆分和语义理解，形成所述待融合特征。

在一些实施例，所述对所述目标向量特征的神经元进行修正，得到神经元矩阵，包括：获取预设修正神经网络；获取所述预设修正神经网络对应的预设输出数目；根据所述修正神经网络和所述预设输出数目修正所述目标向量特征的神经元数量，生成所述神经元矩阵。