| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章总结 | 第14-15页 |
| 第2章 相关背景知识概述 | 第15-26页 |
| 2.1 代码仓库及Docker | 第15-16页 |
| 2.2 相关机器学习概念 | 第16-22页 |
| 2.2.1 机器学习库 | 第16-20页 |
| 2.2.2 预训练工具word2vec | 第20-21页 |
| 2.2.3 神经网络模型 | 第21-22页 |
| 2.3 代码推荐分类 | 第22-24页 |
| 2.4 python代码推荐问题分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于Token化的推荐方法 | 第26-41页 |
| 3.1 代码Tokenize | 第26-29页 |
| 3.2 基于神经网络语言模型推荐方法 | 第29-35页 |
| 3.2.1 构建模型 | 第29-32页 |
| 3.2.2 实验方法 | 第32-35页 |
| 3.2.3 实验流程 | 第35页 |
| 3.3 实验结果与分析 | 第35-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于程序分析和word2vec预处理的推荐方法 | 第41-55页 |
| 4.1 数据爬虫 | 第41-43页 |
| 4.1.1 从GitHub上爬取数据 | 第41-43页 |
| 4.1.2 使用公共的数据集 | 第43页 |
| 4.2 程序分析和word2vec预处理 | 第43-51页 |
| 4.3 实验测试与分析 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结及展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |