基于 UniXcoder 的 Java 代码异味检测研究及性能评估

《IEEE Access》：Fine-Tuning UniXcoder for Code Smell Detection in Java Projects

　　代码异味是软件设计不良的症状，它会阻碍可维护性并增加技术债务成本。在软件开发行业中，代码异味的自动检测至关重要，因为人工检查成本高且容易出错。尽管已有几项研究探索了代码异味检测，但大多数现有方法——无论是基于结构/指标的方法还是基于文本/Transformer的方法——在捕获源代码的语义上下文以有效处理复杂异味方面仍存在局限性。本研究探讨了一种针对源代码的预训练Transformer模型UniXcoder的应用，用于对多个项目中的Java源代码方法进行异味或干净分类，特别关注Switch语句异味。所提出的方法对UniXcoder进行微调，并使用标准指标（即准确率、精确率、召回率和F1分数）评估其性能，与基于结构指标和文本表示的传统机器学习模型进行比较。实验结果表明，微调后的UniXcoder取得了80.2%的最高分类准确率，以及在所有评估基线方法中最高的精确率，表明其在减少误报方面具有有效性。这些发现证实，预训练Transformer模型，特别是UniXcoder，能够理解代码的语义和语法结构，并展现出比基于频率的文本表示方法和基于软件指标的方法更强的性能。此外，结果表明UniXcoder在集成到工业软件工程工作流中具有潜力，可作为持续代码质量保证的一部分，支持自动代码异味检测。