LSem2Vec: Approccio in due fasi per l'embedding del codice sorgente utilizzando LLM
Una nuova tecnica per l'embedding del codice sorgente, nota come LSem2Vec, è presentata in un articolo su arXiv (identificativo 2409.14644). Questo approccio sfrutta i grandi modelli linguistici (LLM) per derivare il significato semantico e impiega un modello di embedding delle frasi per la rappresentazione vettoriale. Utilizzando un metodo in due fasi, affronta efficacemente problemi di ingegneria del software come il rilevamento di cloni di codice sorgente e il clustering, senza la necessità di costoso addestramento supervisionato o fine-tuning. LSem2Vec affronta specificamente il problema delle informazioni inaccurate negli embedding, una sfida frequente. Il metodo, che sta per LLM-extracted code Semantics to Vector embedding (semantica del codice estratta da LLM in vettore), distingue tra estrazione semantica e vettorizzazione, rendendolo adatto a diverse applicazioni di ingegneria del software. L'articolo sottolinea l'importanza degli embedding del codice sorgente nello sviluppo software guidato dall'IA, ma manca di risultati benchmark o dettagli sperimentali.
Fatti principali
- LSem2Vec è un approccio in due fasi per l'embedding del codice sorgente
- Combina grandi modelli linguistici (LLM) e modelli di embedding delle frasi
- Elimina la necessità di addestramento specifico per compiti o fine-tuning
- È rivolto a compiti come il rilevamento di cloni del codice sorgente e il clustering
- Affronta le informazioni errate negli embedding del codice sorgente
- L'articolo è disponibile su arXiv con identificativo 2409.14644
- Il tipo di annuncio è 'replace-cross'
- Il metodo è progettato come alternativa più semplice ed efficace agli approcci esistenti
Entità
—