随着信息化时代的迅猛发展,各式各样的应用软件呈现在人们的工作生活中。开发一款符合消费者需求的应用软件,程序开发人员往往需要耗费大量时间和精力。因此,为了提高软件开发效率,自动代码生成技术应运而生。然而,在现有的技术支持下,根据自然语言描述生成可执行的程序代码是一项极具挑战性的研究工作。当前,人工智能算法的应用日渐广泛,开始将深度学习框架应用于自动代码生成,旨在提高生成可执行代码的准确性。由于程序代码中包含巨大的搜索空间和复杂的程序结构,现存多数模型多集中在搜索程序代码的空间结构或语法结构上,而忽视了程序代码中方法调用的全局关系。不仅如此,对于目前广泛适用自动代码生成的序列学习模型,当面对输入较长的自然语言描述与程序代码时,也会出现长期依赖的问题,从而降低了模型预测的效果。为了解决现存的自动代码生成技术方面存在的问题,本文提出了一种基于标签图嵌入技术的序列学习模型。该方法在输入给定自然语言描述的条件下,经过标签图建模以及标签图嵌入技术的融合提取,将程序代码的全局结构信息融合到标签图结构中,并用相应节点的向量特征进行表示,进而通过预测节点的向量特征,完成自然语言描述生成程序代码的过程。本文的主要研究内容及其对应的解决方案包括以下几个方面:(1)针对当前对程序代码全局结构信息表示不充分的问题,提出标签图建模技术。对数据集中包含的所有程序代码进行统一分析,找到代码片段中的联系,对代码片段中的方法名进行提取,并在所有的程序代码中搜索方法名之间的调用关系,从而建立起用于表示整体程序代码库的标签图,提高模型对于程序代码全局结构信息的表达能力。(2)针对当前程序结构信息缺少有效的嵌入手段的问题,提出标签图嵌入技术。在生成标签图的基础上,对标签图中所有节点信息进行融合,提取节点特征,得到融合所有邻居节点的节点特征。有效保留方法调用时序和特殊限制信息,从而对程序全局结构信息进行更为有效的嵌入,可有效提升后续序列学习模型的准确率。(3)在传统的序列学习模型中,对于较长的程序描述语句或方法调用序列,会出现长期依赖的问题。为此,本文提出注意力机制模型,将注意力机制模型应用到序列学习模型中,增强模型对于输入数据的记忆功能,使得模型的预测结果更为准确。