一种面向语义代码搜索的多视角架构
A Multi-Perspective Architecture for Semantic Code Search
AI总结：
针对软件仓库自然语言搜索的代码-文本匹配需求，提出一种融合全局与局部相似性的多视角跨语言神经框架，在CoNaLa数据集上的跨语言文本到代码匹配任务性能优于传统联合嵌入空间方法。
摘要：
将代码片段与其对应的自然语言描述进行匹配的能力，以及反向匹配的能力，是软件仓库自然语言搜索接口的基础。本文受此前单语文本-文本匹配模型的部分启发，提出了一种新颖的多视角跨语言神经框架用于代码-文本匹配，以同时捕捉全局和局部相似性。我们在CoNaLa数据集上开展的实验表明，在跨语言文本到代码的匹配任务中，本文提出的模型性能优于此前将代码和文本映射到单一联合嵌入空间的方法。
英文摘要：
The ability to match pieces of code to their corresponding natural language descriptions and vice versa is fundamental for natural language search interfaces to software repositories. In this paper, we propose a novel multi-perspective cross-lingual neural framework for code--text matching, inspired in part by a previous model for monolingual text-to-text matching, to capture both global and local similarities. Our experiments on the CoNaLa dataset show that our proposed model yields better performance on this cross-lingual text-to-code matching task than previous approaches that map code and text to a single joint embedding space.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
