Neuer Blick auf die neuronale Code-Suche: Verbesserung der Code-Snippet-Retrieval durch natürlichsprachliche Absichten

In dieser Arbeit schlagen und untersuchen wir die annotierte Code-Suche vor: die Auffindung von Codeschnipseln, die mit kurzen Beschreibungen ihrer Absicht gepaart sind, mithilfe natursprachlicher Abfragen. Anhand dreier Benchmark-Datensätze untersuchen wir, wie Code-Retrieval-Systeme durch die Nutzung von Beschreibungen verbessert werden können, um die Absichten der Codeschnipsel besser zu erfassen. Indem wir auf jüngsten Fortschritten im Transfer-Lernen und der Natürlichen Sprachverarbeitung (Natural Language Processing) aufbauen, entwickeln wir ein domänenspezifisches Retrieval-Modell für Code, der mit einer natürlichsprachlichen Beschreibung annotiert ist. Wir stellen fest, dass unser Modell signifikant relevantere Suchergebnisse liefert (mit absoluten Gewinnen bis zu 20,6 % im mittleren Reziproken Rang) im Vergleich zu den besten bisher bekannten Code-Retrieval-Methoden, die ohne Beschreibungen arbeiten und versuchen, die Absicht der Schnipsel ausschließlich aus unannotiertem Code zu berechnen.