[논문 리뷰] Recommending Extract Method Refactoring Based on Confidence of Predicted Method Name

Jinto Yamanaka, Yasuhiro Hayase외 1명|arXiv (Cornell University)|2021. 08. 25.

Software Engineering Research참고 문헌 28인용 수 5

한 줄 요약

이 논문은 최신 코드-이름 모델인 code2seq의 메서드 이름 예측에 대한 신뢰도 점수를 활용하여 Extract Method 리팩터링을 제안하는 새로운 접근법을 제시한다. GEMS에 기존 메트릭과 함께 이 신뢰도 지표를 통합함으로써, 기준 기법 대비 정확도와 커버리지가 크게 향상되었으며, code2seq의 신뢰도 점수가 가장 중요한 특성으로 드러났다. F-measure와 커버리지가 향상되었다.

ABSTRACT

Refactoring is an important activity that is frequently performed in software development, and among them, Extract Method is known to be one of the most frequently performed refactorings. The existing techniques for recommending Extract Method refactoring calculate metrics from the source method and the code fragments to be extracted to order the recommendation candidates. This paper proposes a new technique for accurately recommending Extract Method refactoring by considering whether code fragments are semantically coherent chunks that can be given clear method names, in addition to the metrics used in previous studies. As a criterion for the semantic coherency, the proposed technique employs the probability (i.e. confidence) of the predicted method names for the code fragments output by code2seq, which is a state-of-the-art method name prediction technique. The evaluation experiment confirmed that the proposed technique has higher correctness of recommendation than the existing techniques.

연구 동기 및 목표

• 코드 조각의 의미적 일관성을 통합함으로써 Extract Method 리팩터링 추천의 정확도를 향상시키기 위해
• 기존 기법들이 추출된 코드가 의미적으로 이름을 가질 수 있는지 여부를 忽略하는 한계를 해결하기 위해
• 메서드 이름 예측의 신뢰도가 리팩터링 적합성과 상관관계가 있는지 평가하기 위해
• GEMS 프레임워크를 신뢰도 기반 필터링으로 확장하여 추천 정밀도와 재현율을 향상시키기 위해

제안 방법

• 제안된 방법은 코드2세그를 사용하여 후보 코드 조각의 메서드 이름을 예측하고, 최상위 예측의 신뢰도 점수를 추출한다.
• 기존 메트릭(예: 응집도, 복잡도 등)과 함께 이 신뢰도 점수를 새로운 특성으로 통합한다.
• 신뢰도를 기존 특성들인 TYPEDELE_COHESION, INVOCATION_COHESION, RATIO_LOC와 함께 조합하여 리팩터링 후보를 순위 매긴다.
• 이 기법은 XGBoost를 사용한 분류 및 특성 중요도 분석을 통해 GEMS의 확장으로 구현된다.
• 실제 리팩터링 데이터로부터 양성 및 음성 예제를 구성하여 모델을 학습하고 평가한다.
• 특성 중요도 분석을 통해 신뢰도가 다른 메트릭 대비 기여도를 평가한다.

실험 결과

연구 질문

• RQ1 code2seq 예측의 신뢰도를 통합함으로써 Extract Method 리팩터링 추천의 정확도가 향상되는가?
• RQ2 예측된 메서드 이름의 신뢰도 점수가 코드 조각의 의미적 일관성과 어떻게 관련이 있는가?
• RQ3 추천 모델에서 신뢰도가 기존 리팩터링 메트릭 대비 상대적으로 기여도가 얼마나 되는가?
• RQ4 신뢰도 점수가 실현 가능하고 비실현 가능한 리팩터링 후보를 효과적으로 구분할 수 있는가?

주요 결과

• 제안된 기법은 모든 허용 수준에서 GEMS 대비 더 높은 F-measure를 달성하여 추천 정확도 향상이 확인되었다.
• code2seq의 신뢰도 점수(CODE2SEQ_CONFIDENCE)가 가장 중요한 특성으로 나타났으며, 중요도 점수 0.30011로 다음으로 중요한 특성보다 뚜렷이 뛰어났다.
• 양성(리팩터링된) 예제의 평균 신뢰도는 0.063695였고, 음성 예제의 평균 0.011233보다 높아, 실현 가능한 후보에서 더 높은 의미적 일관성이 있음을 시사했다.
• 양성 예제의 중앙값 신뢰도(0.0036578)는 음성 예제의 중앙값(0.00000049674)보다 높았으며, 이는 신뢰도의 분류 능력이 뛰어남을 추가로 뒷받침한다.
• 모델의 재현율은 정밀도보다 더 크게 향상되어, 신뢰도가 추천 대상의 커버리지를 효과적으로 확장함을 나타낸다.
• 신뢰도 점수가 예측에 크게 기여함을 특성 중요도 순위에서의 지배적 위치와 일관된 성능 향상으로 확인할 수 있었다.