1、深度學(xué)習(xí)已經(jīng)在人工智能領(lǐng)域中取得了顯著的成就。這得益于其捕捉高維復(fù)雜特征的強(qiáng)大能力，而且并不需要人工特征的干預(yù)。利用深度神經(jīng)網(wǎng)絡(luò)來解決代碼分析問題要比基于統(tǒng)計(jì)的方法更為簡(jiǎn)單。例如在代碼分類問題中，深度神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)地抽取出代碼中有用的特征。從局部到高層的抽象過程，特征在每一層能夠被自動(dòng)地組織起來?；谶@些抽象的特征，我們能夠確定一段代碼的類別。深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并不像傳統(tǒng)的方法需要過多的人工特征。更加自然的特征對(duì)于多任務(wù)學(xué)習(xí)是更有利的。

2、深度學(xué)習(xí)結(jié)構(gòu)對(duì)于其他的代碼分析任務(wù)同樣是有效果的。
　　但是，將深度學(xué)習(xí)應(yīng)用在代碼分析領(lǐng)域還是存在一些困難。因?yàn)樘荻葟浬⒌膯栴}，導(dǎo)致傳統(tǒng)的學(xué)習(xí)算法并不能對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。本文借用了深度學(xué)習(xí)在解決自然語言處理問題中的思想，構(gòu)造可以學(xué)習(xí)代碼結(jié)構(gòu)的分布式表示的模型，從而將深度學(xué)習(xí)應(yīng)用于代碼分析領(lǐng)域。
　　本文提出了一條編碼規(guī)則建立抽象語法樹結(jié)點(diǎn)的向量表示，這是將深度學(xué)習(xí)應(yīng)用于代碼分析問題的基礎(chǔ)。根據(jù)實(shí)驗(yàn)的結(jié)果可以得出，該編碼規(guī)

3、則可以有效地學(xué)習(xí)到抽象語法樹結(jié)點(diǎn)的向量表示。為了證明深度學(xué)習(xí)對(duì)于代碼分析問題是否真的有效。本文將學(xué)習(xí)到的特征向量輸入到一個(gè)深度神經(jīng)網(wǎng)絡(luò)中，實(shí)驗(yàn)結(jié)果表明較淺層學(xué)習(xí)方法，深度學(xué)習(xí)方法取得了更好的效果。
　　本文還提出了另一種通過學(xué)習(xí)程序控制流圖的的根子圖的向量表示來對(duì)代碼進(jìn)行建模的方法。這是受圖核函數(shù)最近的一些研究成果的啟發(fā)。該模型以無監(jiān)督學(xué)習(xí)的方式，利用鄰居結(jié)點(diǎn)之間的關(guān)系，來學(xué)習(xí)它們之間隱藏的相似性。通過實(shí)驗(yàn)證明了模型與支持向量機(jī)這