买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种基于代码语义和度量的代码异味识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115952076B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211529670.3，技术领域涉及：G06F11/3604；该发明授权一种基于代码语义和度量的代码异味识别方法是由杨全鑫;俞东进;徐忆航;陈信;陈洁;王思轩设计研发完成，并于2022-11-30向国家知识产权局提交的专利申请。

本一种基于代码语义和度量的代码异味识别方法在说明书摘要公布了：基于代码语义和度量的代码异味识别方法，包括以下步骤：构建代码异味数据集；对代码片段进行数据预处理，得到代码语义表征信息和代码度量信息；将所述代码语义表征信息输入代码语义表征学习模型，得到代码语义嵌入；将所述代码度量信息输入代码度量关系学习模型，得到代码度量关系嵌入；将所述代码语义嵌入和代码度量关系嵌入进行融合，得到融合学习模型；构造所述融合学习模型的损失函数，对所述融合学习模型进行训练，得到代码异味识别模型；将待检测的代码片输入所述代码异味识别模型，得到代码异味识别结果。本发明设计的方法可以自动化识别多种代码异味，适用于不同语言和代码粒度。

本发明授权一种基于代码语义和度量的代码异味识别方法在权利要求书中公布了：1.一种基于代码语义和度量的代码异味识别方法，其特征在于，包括以下步骤： S1构建代码异味数据集，所述代码异味数据集中的样本为通过自动化方法收集得到的因代码异味问题而在项目历史版本迭代过程中被真实重构前后的代码片段； S2对所述代码异味数据集中的代码片段进行数据预处理，得到代码语义表征信息和代码度量信息； S3构建代码语义表征学习模型，将所述代码语义表征信息输入代码语义表征学习模型，得到代码语义嵌入； S4构建代码度量关系学习模型，将所述代码度量信息输入代码度量关系学习模型，得到代码度量关系嵌入； S5将所述代码语义嵌入和代码度量关系嵌入进行融合，得到融合学习模型，所述融合学习模型用于检测代码异味； S6构造所述融合学习模型的损失函数，对所述融合学习模型进行训练，得到代码异味识别模型； S7将待检测的代码片段经过所述步骤S2中的数据预处理后，得到待检测代码片段的代码语义表征信息和代码度量信息，将所述待检测代码片段的代码语义表征信息和代码度量信息输入所述代码异味识别模型，得到代码异味识别结果； 所述步骤S2中，预处理得到代码语义表征信息的方法为：使用代码语法解析工具解析出代码的类级别和方法级别的抽象语法树，然后通过在所述抽象语法树中添加控制流和数据流边缘来构建得到代码图表征的流增强抽象语法树； 预处理得到代码度量信息的方法为：利用代码异味检测工具来计算面向对象的代码度量；将所述代码语义表征信息和代码度量信息以字典的格式保存在JSON文件中； 所述步骤S3中，所述代码语义表征学习模型包括一个词元嵌入层、若干图神经网络层、一个卷积神经网络层；通过堆叠若干所述图神经网络层以学习所述流增强抽象语法树的语义信息，并在每个所述图神经网络层后接一个非线性激活函数； 所述步骤S3具体包括以下步骤： 首先将流增强抽象语法树送入词元嵌入层使得流增强抽象语法树中的所有文本信息均由词向量表示，得到向量化后的流增强抽象语法树，然后将向量化后的流增强抽象语法树输入所述语义表征学习模型，然后采用基于注意力机制的全局池化层读出每个图神经网络层的输出特征，然后将所述输出特征进行拼接后，输入一个由卷积神经网络层和非线性激活函数构成的输出层进行融合，得到代码语义嵌入。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘新区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。