本发明属于api推荐，具体涉及一种结合上下文增强基于查询的api推荐方法。
背景技术：
1、在软件开发过程中，api(应用程序编程接口)提供了一种实现特定功能的方法，它允许开发人员利用已有的代码来创建功能更复杂的应用程序。随着现代软件开发环境变得日益复杂，及时且准确地推荐相关api对于提高开发效率至关重要。然而，传统的api推荐方法往往依赖于静态的代码分析或者基于简单的关键词的搜索，这忽略了代码上下文环境，从而导致推荐的结果不够准确。
2、传统的基于查询的方法，考虑从stackoverflow网站上提取标题，计算用户查询与标题语料库的相似性，识别最相似的k个候选查询语句的api，这种方法不能充分理解查询的语义和上下文。针对这一问题，本研究提出了结合上下文信息来增强基于api推荐的方法，更好地理解并使用与当前开发任务相关的环境和语义信息。首先，因开发人员的表述存在差异，通过使用同义词替换查询中的关键词，帮助模型更好的理解不同的表达方式；其次，本研究引入上下文信息，丰富基于查询的api推荐，通过构建一个多维张量来表示查询、api和上下文之间的关系，以进一步提高api推荐的准确性；最后，为了缩小候选api的范围，应用blast算法进行双序列比对来找出当前上下文中与包含api、上下文的矩阵中最匹配的序列，对api进行重新排名。
技术实现思路
1、本发明要解决的技术问题是提供一种结合上下文增强基于查询的api推荐方法，本发明提出的结合上下文增强基于查询的api推荐方法旨在将代码片段的上下文信息建模为张量，并利用它来改进基于查询的api推荐，聚焦于更多的上下文信息，从而提高api推荐的有效性。
2、为解决上述技术问题，本发明的实施例提供一种结合上下文增强基于查询的api推荐方法，包括以下步骤：
3、s1、利用stackoverflow网站中收集查询语句、上下文和与之对应的api，构建三元组语料库；
4、s2、利用查询语句训练词向量模型(word2vec)，并构建单词idf词汇表；
5、s3、利用步骤s1中收集的三元组语料库检索给定用户查询的top-k个相似元组；
6、s4、将检索到的查询语句、以及相关的上下文和api组合成一个张量；
7、s5、根据非负张量分解(nntf)完成张量中的缺失值；
8、s6、利用基本局部相似性比对搜索工具(blast)算法匹配张量中最相似的上下文，根据张量中条目的值对api进行重排序，将得到的api推荐列表返回给用户。
9、优选的，步骤s1中，采用滤波方法从stackoverflow中进行数据收集和处理，构造一个包含查询、上下文信息和api的三元组语料库，包括以下步骤：
10、s1.1、对于stackoverflow网站的帖子中的每一个答案，提取一个元组<query，api，上下文>，且只保留得分为正或被接受的答案；
11、s1.2、提取帖子的标题作为查询；
12、s1.3、提取答案中每个html标记中包含的超链接和纯文本；
13、s1.4、对于上下文信息，关注用于实例化类的语句和用于方法调用的语句利用程序分析；
14、s1.5、检查答案中的每个超链接，并使用正则表达式识别相应api方法的全称；
15、s1.6、将提取的查询、上下文和api构建一个三元组语料库。
16、优选的，步骤s2中，度量两个查询的相似性，构建一个特定于领域的语言模型，包括以下步骤：
17、s2.1、从stackoverflow中提取的查询进行同义词替换，使用同义词或相关词替换查询中的关键词；
18、s2.2、对重构的查询语句进行标记，并执行词干提取，将每个单词转换为其根形式；
19、s2.3、使用word2vec训练一个词嵌入模型，并构建词idf(逆文档频率)词汇表。
20、优选的，步骤s3中，从步骤s1构建的三元组语料库中，利用步骤s2中训练的词嵌入模型，检索与用户查询相似的top-k个查询，包括以下步骤：
21、s3.1、接受用户输入的查询，并进行同样的预处理，包括分词和标准化；
22、s3.2、利用步骤s2训练得到的词嵌入模型将处理后的查询转换为向量；
23、s3.3、利用相似度度量方法，计算用户查询向量与语料库中所有查询向量之间的相似度，公式如下：
24、
25、其中，sim(w,q)为每个单词w'∈q的sim(w,w')的最大值，sim(w,w')为w与w'的单词嵌入向量的余弦相似度；
26、s3.4、根据步骤s3.3计算得到的相似度对所有查询进行排序，选取相似度最高的前k个查询作为结果返回给用户。
27、优选的，步骤s4中，根据三元查询<query-api-context>关系表示张量，包括以下步骤：
28、s4.1、定义张量结构，确定张量的维度和结构；
29、s4.2、加载步骤s1中的三元组语料库，为第一个上下文创建矩阵；
30、s4.3、根据步骤s3中得到的top-k个相似的上下文，遍历上下文维度来创建矩阵；
31、s4.4、构造张量，所述张量的切片为步骤s4.3中得到的矩阵。
32、优选的，步骤s5中，通过处理多维数据，发现潜在模式，处理数据中的缺失值，包括以下步骤：
33、s5.1、根据步骤s4.4构建一个包含已知数据点的张量，利用0表示缺失的数据点；
34、s5.2、在构建张量后，采用交替最小二乘(als)算法来计算分解，通过逐步优化每个因子矩阵来逼近原始张量，使张量的每个元素在分解和重构过程中获得一个估计值；
35、s5.3、引入正则化项，并通过非负约束分解后的各因子矩阵元素为非负值。
36、优选的，步骤s6中，采用blast算法来增强api推荐的相关性和精确性，理解和匹配用户当前的编程上下文，得到重排序的api推荐列表，包括以下步骤：
37、s6.1、从当前的查询query和部分完成的代码片段出发，按照步骤s1步骤中描述的方法获取上下文context；
38、s6.2、将查询语句标记化和词根化；
39、s6.3、创建一个api-context矩阵m，其中每个元素表示从张量中索引得到的与api和上下文相关的数据；
40、s6.4、利用blast算法，比较当前上下文context与api-context矩阵m中的上下文；
41、s6.5、将步骤s6.4中两个上下文视为序列，快速识别出潜在的匹配区域，选取当前上下文序列中的短片段，称为scode；
42、s6.6、识别和步骤s6.5中的scode完全匹配的序列片段，确定scode在各个上下文中出现的确切位置；
43、s6.7、从初步匹配的scode位置开始，向两端扩展以找到更长的相似序列；
44、s6.8、记录每次比较的相似性得分和匹配信息，选择得分最高的几个上下文作为最相关的匹配结果；
45、s6.9、根据与当前上下文最相似的api-context矩阵中的上下文，选取相关api，并根据匹配得分对这些api进行重新排序，生成推荐api列表，提供给用户作为编程时的参考。
46、本发明上述技术方案的有益效果如下：
47、(1)本发明在api推荐中考虑利用上下文信息的重要性，并提出了使用张量和词嵌入来完成对上下文信息的建模的方法，从而表示查询、api、上下文的关系，应用双序列比对的blast算法来识别最匹配的上下文，从而改进api推荐；
48、(2)本发明对查询语句进行同义词替换去训练词嵌入模型，捕捉开发人员查询意图背后的深层语义，引入上下文信息来构建一个张量，并利用blast算法进行双序列对比寻找最匹配的上下文，提高了api推荐的准确性；
49、(3)本发明为了弥补查询之间的词汇差距，使用基于词嵌入的文本相似度度量，利用非负张量分解来完成张量中的缺失值，并利用blast算法来识别最匹配的上下文，从而更好的实现api推荐。
1.一种结合上下文增强基于查询的api推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种结合上下文增强基于查询的api推荐方法，其特征在于，步骤s1中，采用滤波方法从stackoverflow中进行数据收集和处理，构造一个包含查询、上下文信息和api的三元组语料库，包括以下步骤：
3.根据权利要求1所述的一种结合上下文增强基于查询的api推荐方法，其特征在于，步骤s2中，度量两个查询的相似性，构建一个特定于领域的语言模型，包括以下步骤：
4.根据权利要求1所述的一种结合上下文增强基于查询的api推荐方法，其特征在于，步骤s3中，从步骤s1构建的三元组语料库中，利用步骤s2中训练的词嵌入模型，检索与用户查询相似的top-k个查询，包括以下步骤：
5.根据权利要求1所述的一种结合上下文增强基于查询的api推荐方法，其特征在于，步骤s4中，根据三元查询<query-api-context>关系表示张量，包括以下步骤：
6.根据权利要求1所述的一种结合上下文增强基于查询的api推荐方法，其特征在于，步骤s5中，通过处理多维数据，发现潜在模式，处理数据中的缺失值，包括以下步骤：
7.根据权利要求1所述的一种结合上下文增强基于查询的api推荐方法，其特征在于，步骤s6中，采用blast算法来增强api推荐的相关性和精确性，理解和匹配用户当前的编程上下文，得到重排序的api推荐列表，包括以下步骤：
