代码生成(Code Generation)是当前人工智能领域新兴的一种语义解析任务,旨在根据自然语言描述信息生成实现该语义功能的计算机可执行的代码片段。目前,代码生成任务的研究尚在起步阶段,现有的研究工作主要采用典型的编码器解码器框架实现代码生成的目标。然而,现有的代码生成任务的研究大都忽略了对API函数标准库文档信息以及自然语言语法和语义结构等信息的充分利用。因此,本文针对在代码生成任务中如何融合函数应用程序接口信息和语法语义结构信息的方法展开实验性的研究。本文的工作主要包括以下三个方面:(1)梳理了现有的代码生成任务使用的数据集和代码生成模型的研究现状,将现有的代码生成研究方法概括为两种不同的类型:基于Seq2Seq的方法和基于Seq2Tree的方法,并重点分析并对比了不同代码生成任务模型对抽象语法框架的不同利用方式,指出了目前研究的不足。(2)设计并实现了一种融合应用程序接口信息的代码生成任务模型。该系统采用Seq2Actions的方法并结合注意力机制实现了一个端到端的神经网络模型,首先通过计算与自然语言描述信息相关的函数名称描述信息,筛选出相关的函数名称候选集;之后通过可分解的注意力机制模型对函数名称候选集进行消歧,将得到的函数名称候选集应用到一个基于指针生成网络的代码生成系统中。实验结果表明,融合应用程序接口信息的代码生成模型优于基线系统。(3)设计并实现了一种融合语法和语义结构的代码生成模型。该模型对基线系统进行改进,通过融合自然语言描述信息的语法和语义结构信息来增强语义表达,得到自然语言的更好的语义表示,从而获得自然语言与代码片段之间的对齐关系。该系统对语法和语义信息进行了两个方面的阐述,分别是自然语言的语法结构树和线性化自然语言的语义角色标注。之后使用拓展的注意力机制对自然语言的结构信息进行建模。实验结果表明,融合语法和语义结构信息的代码生成模型优于基线系统。