程序的深度学习表示方法：一项系统性的文献综述

《ACM Computing Surveys》：Deep Learning Representations of Programs: A Systematic Literature Review

本文系统综述了2017-2023年深度学习在代码中的应用，涵盖程序表示学习、神经网络架构及算法优化，及其在漏洞检测、API推荐等下游任务的应用，并指出当前挑战与未来方向。

　　

摘要

在当代，深度学习（DL）越来越多地被认为是一种有前景的方法，可以用于实现和优化各种技术，尤其是在代码（软件程序）领域。本质上，深度学习主要是一种表示学习方法，这在代码领域尤为适用。因此，代码深度学习的核心是对程序进行深度表示学习。学习到的程序表示可以应用于各种与编码相关的任务，例如检测漏洞、提供API使用建议以及从大量代码行中提取语义和语法信息。这是通过利用深度神经网络架构和深度学习算法来实现的，这些算法将程序作为输入，服务于各种软件工程应用。

在本文中，我们进行了系统的文献检索，以回顾利用深度学习方法对程序进行表示的相关研究及其应用。我们的检索发现了2017年至2023年间发表的178篇主要研究论文。通过这些最新文献中的研究，我们对程序深度学习的表示方法进行了系统化的总结，包括输入到学习流程中的原始数据、所采用的神经网络架构、使用的学习算法以及学习表示的下游应用（即实际应用）。在分析当前研究现状的同时，我们也指出了现有技术中存在的局限性和挑战，并提出了深度程序表示学习领域有前景的未来研究方向。