Resumen

En los últimos años, se generan millones de códigos fuente en diferentes idiomas a diario en todo el mundo. Un modelo de soporte inteligente basado en redes neuronales profundas para completar códigos fuente sería una gran ventaja en los campos de ingeniería de software y educación en programación. Existen vastas cantidades de errores de sintaxis, lógica y otros errores críticos que no pueden ser detectados por compiladores normales en los códigos fuente, y el desarrollo de una metodología de evaluación inteligente que no dependa de la compilación manual se ha vuelto esencial. Incluso programadores experimentados a menudo encuentran necesario analizar un programa completo para encontrar un solo error y, por lo tanto, se ven obligados a perder tiempo valioso depurando sus códigos fuente. Con este punto en mente, propusimos un modelo inteligente basado en memoria a largo plazo (LSTM) y lo combinamos con un mecanismo de atención para la completación de códigos fuente. Por lo tanto, el modelo propuesto puede detectar errores en el código fuente con ubicaciones y

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Código fuente; Modelo inteligente; Detección de errores; LSTM; Educación en programación; Sintaxis
• Keywords:Source code; Intelligent model; Error detection; LSTM; Programming education; Syntax