Revisiter la recherche de code neuronal : Améliorer la récupération de fragments de code grâce à l'intention en langage naturel

Dans cette étude, nous proposons et examinons la recherche de code annoté : le rappel de fragments de code accompagnés de brèves descriptions de leur intention à l'aide de requêtes en langage naturel. Sur trois ensembles de données de référence, nous explorons comment les systèmes de recherche de code peuvent être améliorés en exploitant les descriptions pour mieux capturer les intentions des fragments de code. En nous appuyant sur les récents progrès dans l'apprentissage par transfert et le traitement du langage naturel, nous avons développé un modèle de recherche spécifique au domaine pour le code annoté avec une description en langage naturel. Nous constatons que notre modèle produit des résultats de recherche nettement plus pertinents (avec des gains absolus allant jusqu'à 20,6 % en rang moyen inverse) par rapport aux méthodes actuelles de recherche de code qui ne utilisent pas de descriptions mais tentent d'inférer l'intention des fragments uniquement à partir du code non annoté.