如何提升代码搜索效果？GitHub团队打造代码搜索领域的GLUE数据集

想提升代码搜索效果？首先你得知道怎么才算提升。GitHub 团队创建 CodeSearchNet语料库，旨在为代码搜索领域提供基准数据集，提升代码搜索结果的质量。

搜索代码进行重用、调用，或者借此查看别人处理问题的方式，是软件开发者日常工作中最常见的任务之一。然而，代码搜索引擎的效果通常不太好，和常规的 web 搜索引擎不同，它无法充分理解你的需求。GitHub 团队尝试使用现代机器学习技术改善代码搜索结果，但很快意识到一个问题：他们无法衡量改善效果。自然语言处理领域有 GLUE基准，而代码搜索评估领域并没有适合的标准数据集。

因此 GitHub 与 Weights & Biases 公司展开合作，并于昨日推出 CodeSearchNet Challenge 评估环境和排行榜。与此同时，GitHub 还发布了一个大型数据集，以帮助数据科学家构建适合该任务的模型，并提供了多个代表当前最优水平的基线模型。该排行榜使用一个 query 标注数据集来评估代码搜索工具的质量。

• 论文地址：https://arxiv.org/abs/1909.09436

• 语料库及基线模型地址：https://github.com/github/CodeSearchNet

• 挑战赛地址：https://app.wandb.ai/github/codesearchnet/benchmark

CodeSearchNet语料库

使用专家标注创建足以训练高容量模型的大型数据集成本高昂，不切实际，因此 GitHub 创建了一个质量较低的代理数据集。GitHub 遵循文献 [5, 6, 9, 11] 中的做法，将开源软件中的函数与其对应文档中的自然语言进行匹配。但是，这样做需要执行大量预处理步骤和启发式方法。

通过对常见错误案例进行深入分析，GitHub 团队总结出一些通用法则和决策。

CodeSearchNet语料库收集过程

GitHub 团队从开源 non-fork GitHub repo 中收集语料，使用 libraries.io 确认所有项目均被至少一个其他项目使用，并按照「流行度」（popularity）对其进行排序（流行度根据 star 和 fork 数而定）。然后，删除没有 license 或者 license 未明确允许重新分发的项目。之后，GitHub 团队使用其通用解析器 TreeSitter 对所有 Go、Java、JavaScript、Python、PHP 和 Ruby 函数（或方法）执行分词操作，并使用启发式正则表达式对函数对应的文档文本进行分词处理。

筛选

为了给 CodeSearchNet Challenge 生成训练数据，GitHub 团队首先考虑了语料库中具备相关文档的函数。这就得到了一组 (c_i , d_i) 对，其中 c_i 是函数，d_i 是对应的文档。为了使数据更加适合代码搜索任务，GitHub 团队执行了一系列预处理步骤：

• 文档 d_i 被截断，仅保留第一个完整段落，以使文档长度匹配搜索 query，并删除对函数参数和返回值的深入讨论。

• 删除 d_i 短于三个 token 的对，因为此类注释无法提供有效信息。

• 删除 c_i 实现少于三行的对，因为它们通常包含未实现的方法、getters、setters 等。

• 删除名称中包含子字符串「test」的函数。类似地，删除构造函数和标准扩展方法，如 Python 中的 __str__、Java 中的 toString。

• 识别数据集中的（近似）重复函数，仅保留其中一个副本，从而删除数据集中的重复项。这就消除了出现多个版本自生成代码和复制粘贴的情况。

筛选后的语料库和数据抽取代码详见：https://github.com/github/CodeSearchNet

数据集详情

该数据集包含 200 万函数-文档对、约 400 万不具备对应文档的函数（见下表 1）。GitHub 团队将该数据集按照 80-10-10 的比例划分为训练集/验证集/测试集，建议用户按照该比例使用此数据集。

表 1： 数据集详情。

局限性

该数据集噪声很大。首先，文档与 query 存在本质区别，它们使用的是不同的语言形式。文档通常是代码作者在写代码的同时写成的，更倾向于使用同样的词汇，这与搜索 query 存在差异。其次，尽管 GitHub 团队在创建数据集的过程中执行了数据清洗，但他们无法得知每个文档 d_i 描述对应代码段 c_i 的精确程度。最后，一些文档是用非英语文本写成的，而 CodeSearchNet Challenge 评估数据集主要关注的是英文 query。

CodeSearchNet 基线模型

基于 GitHub 之前在语义代码搜索领域的努力，该团队发布了一组基线模型，这些模型利用现代技术学习序列（包括 BERT 类的自注意力模型），帮助数据科学家开启代码搜索。

和之前的工作一样，GitHub 团队使用代码和 query 的联合嵌入来实现神经搜索系统。该架构对每个输入（自然或编程）语言使用一个编码器，并训练它们使得输入映射至一个联合向量空间。其训练目标是将代码及其对应语言映射至邻近的向量，这样我们就可以嵌入 query 实现搜索，然后返回嵌入空间中「邻近」的代码段集合。

考虑 query 和代码之间更多交互的较复杂模型当然性能更好，但是为每个 query 或代码段生成单个向量可以实现更高效的索引和搜索。

为了学习这些嵌入函数，GitHub 团队在架构中加入了标准序列编码器模型，如图 3 所示。首先，根据输入序列的语义对其执行预处理：将代码 token 中的标识符分割为子 token（如变量 camelCase 变成了两个子 token：camel 和 case），使用字节对编码（byte-pair encoding，BPE）分割自然语言 token。

图 3： 模型架构概览。

然后使用以下架构之一处理 token 序列，以获得（语境化的）token 嵌入。

• 神经词袋模型：每个（子）token 都被转换为可学习嵌入（向量表示）。

• 双向 RNN 模型：利用 GRU 单元总结输入序列。

• 一维卷积神经网络：用于处理输入 token 序列。

• 自注意力模型：其多头注意力用于计算序列中每个 token 的表示。

之后，使用池化函数将这些 token 嵌入组合为一个序列嵌入，GitHub 团队已经实现了 mean/max-pooling 和类注意力的加权和机制。

下图展示了基线模型的通用架构：

CodeSearchNet 挑战赛

为了评估代码搜索模型，GitHub 团队收集了一组代码搜索 query，并让程序员标注 query 与可能结果的关联程度。他们首先从必应中收集了一些常见搜索 query，结合 StaQC 中的 query 一共获得 99 个与代码概念相关的 query（GitHub 团队删除了 API 文档查询方面的问题）。

图 1： 标注者指导说明。

之后，GitHub 团队使用标准 Elasticsearch 和基线模型，从 CodeSearchNet语料库中为每个 query 获得 10 个可能的结果。最后，GitHub 团队请程序员、数据科学家和机器学习研究者按照 [0, 3] 的标准标注每个结果与 query 的关联程度（0 表示「完全不相关」，3 表示「完全匹配」）。

未来，GitHub 团队想在该评估数据集中纳入更多语言、query 和标注。接下来几个月，他们将持续添加新的数据，为下一个版本的 CodeSearchNet Challenge 制作扩展版数据集。

原文链接： https://github.blog/2019-09-26-introducing-the-codesearchnet-challenge/