想象一下。

直接说你想干什么，就能生成相应的代码，会是多么“功德无量”一件事。

最直接受益的，就是程序员群体。

再也不用饱受“996”的折磨，也不用摸着不断后退的发际线而黯然神伤。

现在，这一天又近了一些。

最近，有一篇论文提出了一种基于语法的结构化CNN代码生成器，用《炉石传说》（HearthStone）基准数据集进行实验的结果表明：

准确性上明显优于以前最先进的方法5个百分点。

这篇论文目前已经被AAAI 2019收录。作者在论文中表示，他们是第一个成功地将CNN解码器用于代码生成的团队。

那么问题来了：

将CNN解码器用到代码生成，与之前的方法相比，到底有什么不同？

他们的模型又有什么特殊之处？效果到底好在哪？

下面，我们就来一一回答这些问题。

用CNN解码器生成代码的优势

基于自然语言描述生成代码，是挺难的一件事。

现在，通常用循环神经网络( RNN)进行序列生成，生成一首诗、进行机器翻译，都没问题。

但用在生成代码上，“麻烦”就来了。

程序中有很多结构化的信息，对程序建模很重要，但传统的Seq2Seq神经网络，并没有明确对程序结构进行建模。就比如下面这个Python的抽象语法树（AST）。

其中，n3和n6两个节点应该作为父子节点紧密交互，但如果使用传统的Seq2Seq方法，就会导致他们“父子离散”，彼此远离。

为了解决这个问题，很多人都开始想各种办法。其中一个关键方法就是用卷积神经网络(CNN)，毕竟人家效率高，训练也简单。

这篇论文，就是一个代表。而且是第一个成功地将CNN解码器用于代码生成的，颇具分水岭意义。

在论文中，作者也介绍说，这比原来的RNN强多了。最主要的一点就是：

输入的程序一半都比自然语言句子长得多，就算RNN有LSTM（long short-term memory）的加持，也会一直受到依赖性问题的困扰。

而CNN就不一样了，可以通过滑动窗口（slide window）有效地捕捉不同区域的特征。

那，这个模型是怎么设计的呢？

模型设计

论文中介绍的CNN，是一种基于语法的结构化CNN。模型会根据AST的语法结构规则生成代码，而且还能预测语法规则的顺序，最终构建整个程序。

那，他们是如何预测语法规则的呢？主要基于三种类型的信息：

指定要生成的程序的源序列、之前预测的语法规则和已经生成的部分AST。

第一种很好理解，是编码器的输入。后两种的任务，就是使解码器能够自回归（autoregressiveness），并且解码器也以编码器为条件。

为了让这个结构化CNN更适合于代码生成，他们还设计了几个不同的组件：

第一，基于树的卷积思想，在AST结构上应用滑动窗口。然后，设计另一个CNN模块对部分AST中的节点进行前序遍历。这两种类型的CNN不仅捕获序列中的“邻居”信息，还捕获树结构中的“邻居”信息。

第二，将另一个CNN模块应用于要生成的节点的祖先，让网络知道，在某个步骤中在哪里生成。从而增强“自回归性”。

第三，设计专门的注意力机制，将CNN的特征与不同的CNN模块进行交互。此外，作者表示，在代码生成过程中考虑范围名称(例如，函数和方法名称)是有用的，所以就使用了这样的信息当作几个池层的控制器。

于是，就得出了这样的一个模型。

△模型概述。虚线箭头表示注意力控制器。

这个模型，效果到底怎么样呢？

模型效果

作者用两个任务评估了模型的效果。一个是生成《炉石传说》游戏的Python代码，一个是用于语义解析的可执行逻辑形式生成。

生成《炉石传说》的Python代码

这个任务使用的是《炉石传说》基准数据集，一共包括665张不同卡牌。

输入是字段的半结构化描述，例如卡牌名、成本、攻击、描述和其他属性；

要输出的是实现卡牌功能的Python代码片段。

通过准确性与BLEU分数来测量模型的质量。在准确性方面，作者追踪了之前大多数研究相同的方法，根据字符串匹配计算精度(表示为StrAcc )。

有时候，几个生成的程序使用了不同的变量名，但功能是正确的，这就需要人为去调整。并用Acc +表示人为调整的精度。

最后，用BLEU值评估生成的代码的质量。

结果如下图所示：

在准确性和BLEU分数方面，都优于之前的所有模型。StrAcc比之前最好的模型高出了5个百分点。经过人为调整后的Acc+达到了30.3％，增加了3个百分点，之前的模型最好的效果提高了2%。

作者认为，这显示了他们方法的有效性。至于之前的模型跟他们的模型在BLEU分数上的相似性，作者解释道，代码生成还是要看细节。

语义解析任务

在语义解析任务中，使用的两个语义解析数据集( ATIS和JOBS )，其中输入是自然语言句子。ATIS的输出是λ演算形式，而对于JOBS，输出的是Prolog形式。

在这两个数据集中，论文中提出的模型并没有展现出什么优势。

作者在论文中表示，这可能是因为语义解析的逻辑形式通常很短，因此，RNN和CNN都可以生成逻辑形式。

不过，这个实验也证明了用CNN进行代码生成的普遍性和灵活性。毕竟，整个模型基本上是为长程序设计的，在语义解析方面也很好。

关于作者

按照署名顺序，作者分别为孙泽宇、朱琪豪、牟力立、熊英飞、李戈、张路，其中其中熊英飞为通讯作者。作者单位为北京大学信息科学技术学院。

传送门

论文：

https://arxiv.org/abs/1811.06837

GitHub：

https://github.com/zysszy/GrammarCNN

“