摘要：针对现有软件系统交互关系预测多依赖单粒度建模、难以全面表征系统特征的问题,本文提出了一种基于神经网络的多粒度预测方法。通过构建模块、类和函数级特征映射,结合多粒度信息交互机制,实现了交互关系的统一建模与预测。实验结果表明,该方法在准确率和泛化性能方面优于传统方法,验证了其在复杂软件系统交互建模中的有效性。

　　关键词：软件系统；多粒度建模；神经网络

　　0引言

　　在现代软件工程实践中,系统规模不断扩展,模块、类与函数等多层级结构之间的交互关系日益复杂。能否准确预测这些交互关系,直接关系到系统的架构优化、缺陷定位与演化分析[1]。现有研究多聚焦于单一粒度的交互建模,往往忽略不同层级特征之间的耦合性,导致预测的全面性与准确性不足。多粒度建模能够在统一框架下表征宏观结构特征与微观操作行为,为交互关系预测提供更具层次性的支撑[2]。同时,神经网络在处理非线性映射与高维特征学习方面表现出较强的能力,为复杂交互关系的预测提供了技术基础。因此,如何在多粒度建模框架下引入神经网络,实现更高效与更精准的软件系统交互关系预测,成为当前研究的重点方向[3]。

　　1多粒度交互关系建模

　　软件系统的交互关系具有显著的层次性特征,不同粒度之间承载着差异化的信息表达。模块级交互反映系统整体结构的耦合模式,类级交互刻画对象之间的依赖关系,而函数级交互则揭示具体操作层面的调用行为[4]。仅依赖单一粒度往往难以完整表征系统运行特性,因此需要在多粒度层面构建交互建模框架。具体而言,模块级特征可通过依赖图与耦合度指标抽取,类级特征则以继承关系与方法调用频率为主,函数级特征则侧重调用序列与控制流模式[5]。为实现跨层次信息的有机融合,本研究采用多粒度特征映射与融合机制,在统一表示空间中保持不同层次特征的互补性。

　　2基于神经网络的预测方法设计

　　2.1神经网络结构选择与设计依据

　　在多粒度交互关系预测中,神经网络结构的合理设计直接决定了模型对复杂信息的学习与推理能力。本文构建的网络结构包含输入层、特征嵌入层、层次化交互编码层、注意力机制融合层以及输出层,整体呈现分层递进与多层次信息交互的特征。具体结构如图1所示。

　　输入层负责接收模块级、类级与函数级的多粒度特征,通过特征嵌入层实现维度统一与低维向量化表示。

　　随后,层次化交互编码层引入卷积神经网络（CNN）与图神经网络（GNN）的混合结构,以捕捉局部模式与全局依赖关系。为避免不同粒度特征在融合过程中出现冗余与噪声,网络在中间层引入多头注意力机制,对跨粒度特征的重要性进行动态加权,从而提升预测的判别能力。输出层采用Sigmoid函数完成交互关系的二分类预测。该结构设计依据在于CNN擅长捕捉局部时序与空间模式,GNN能够有效建模复杂拓扑依赖,而注意力机制则提供特征层次间的权重调控能力。

　　2.2输入层的多粒度特征映射与嵌入方式

　　在多粒度软件系统交互关系预测中,输入层的设计直接决定了后续网络能否有效利用不同层次特征。模块级、类级与函数级特征在数据结构与语义表达上具有显著差异：模块级特征偏向宏观结构关系,类级特征承载对象化抽象,函数级特征则体现具体的执行逻辑与调用模式。如果直接拼接输入,极易导致维度不一致、语义失配以及噪声干扰。因此,本文采用特征映射与嵌入机制,将异构的多粒度特征转化为统一的低维连续向量表示,以便于神经网络进行后续建模。

　　设原始输入由三类特征构成：模块级特征向量xm∈Rdm、类级特征向量xc∈Rdc、函数级特征向量xf∈Rdf。通过特征嵌入矩阵Wm、Wc、Wf将其分别映射到统一的低维空间Rd,如式（1）所示：

　　z=[Wm xm||Wc xc||Wf xf]（1）

　　式中,||表示向量拼接操作。得到的融合向量z∈R3d既保留了各粒度特征的独立表达,又通过线性映射保证了维度一致性。这样设计的理论依据在于多粒度特征之间存在互补性,若能在统一空间中保持差异性与相关性并存,网络便能更好地在后续隐层捕捉交互关系。

　　在具体实现上,映射矩阵可通过反向传播动态更新,使其在训练过程中逐渐学习到不同粒度特征的最优投影方式。同时,为抑制高维特征噪声并增强语义一致性,在嵌入过程中引入正则化约束,确保各粒度特征在投影后的向量空间中具备可比性和可融合性。

　　2.3隐层的多粒度信息交互机制

　　在输入层完成多粒度特征映射与嵌入之后,隐层的核心任务是捕捉不同粒度之间的潜在交互关系,并通过非线性变换增强表示能力。模块级、类级和函数级特征在语义和结构上存在层级依赖,单一线性映射难以揭示其潜在耦合性。因此,本文在隐层中引入基于张量交互的多粒度特征融合机制,以刻画跨层级的复杂关联。

　　具体而言,设融合后的输入表示为z∈R3d,隐层交互采用张量化映射,如式（2）所示：

　　h=σ(zTWz+Uz+b)（2）

　　式中,W∈R3d×3d×k为三维张量,用于建模粒度间的二阶交互关系；U∈Rk×3d为线性变换矩阵；b为偏置项；σ(·)为非线性激活函数。公式中的第一项zTWz用于显式刻画不同粒度特征之间的双向交互,例如模块与类、类与函数的联合模式,而第二项Uz则保证了对单粒度特征的线性保真。

　　这种设计的理论依据在于多粒度特征不仅需要保留各自独立的表达,还必须通过显式交互建模捕捉潜在的协同效应。例如,类级调用关系的频繁模式若与函数级性能指标共同出现,可能是系统瓶颈的前兆；而模块级耦合度与类级依赖模式的叠加,则可反映潜在的架构性风险。通过张量交互,隐层能够学习到这类高阶模式,并在非线性映射下形成更具判别性的特征表示。

　　在训练过程中,参数W、U、b通过梯度下降优化,保证网络逐渐逼近多粒度交互的真实分布。同时,为避免张量映射带来的计算复杂度过高问题,本文引入低秩分解策略对W进行压缩,从而在保持表达能力的同时降低训练开销。

　　2.4输出层的交互关系预测逻辑

　　在隐层完成多粒度特征的融合与高阶交互建模后,输出层的任务是将这些抽象表示映射为明确的交互关系预测结果。不同于传统的二分类输出,这里需要兼顾交互关系的强度与类别区分,因此,输出层采用多任务联合预测逻辑。

　　具体而言,首先将隐层的高阶表示h∈Rk投射到关系空间,通过线性映射与非线性归一化得到交互概率分布,如式（3）所示：

　　=softmax(Woh+bo)（3）

　　式中,Wo∈RC×k为输出层权重矩阵；bo∈RC为偏置项；C表示交互关系类别数（如强依赖、弱依赖、无依赖）；∈RC则为预测的关系分布。该公式确保了预测结果能够反映出不同交互关系的概率权重,而不仅仅是单一标签。

　　在逻辑设计上,Softmax函数的引入有助于保证预测结果的可解释性,即输出各类关系的相对可能性,从而为后续的软件架构优化或维护提供量化依据。此外,为了同时捕捉交互强度,本文进一步在损失函数中引入交叉熵与均方误差的加权组合,使得模型既能区分关系类别,又能逼近交互强度的连续值,从而增强预测的实用性。

　　3实验设计与结果分析

　　3.1数据集与实验环境

　　本研究所用数据集来源于某开源大型软件生态系统（涵盖金融管理系统、Web框架与嵌入式平台）。为确保多粒度交互关系的真实性与代表性,首先在模块级、类级与函数级分别提取了调用关系、继承关系与依赖关系。原始数据通过静态代码分析与运行时日志收集相结合的方式获得,其中包含约1200个模块、8500个类与62000个函数级交互实例。在数据预处理阶段,对交互关系进行去噪与标准化处理,并构建标签集,包括“强依赖”“弱依赖”“无依赖”三类关系；同时,为避免数据分布不均衡,采用SMOTE方法进行过采样扩充,使不同类别样本比例保持相对均衡,最终形成约70000条带标签的交互关系样本,并划分为训练集（70%）、验证集（15%）与测试集（15%）。

　　实验环境搭建于一台高性能计算服务器,硬件配置包括Intel Xeon Gold 6338 CPU（2.0GHz,32 cores）、NVIDIA A100 GPU（40GB显存）以及512GB DDR4内存,存储采用4TB NVMe SSD。软件环境方面,操作系统为Ubuntu 22.04 LTS,深度学习框架选用PyTorch 2.1.0,同时配合CUDA 12.1与cuDNN 8.9进行GPU加速,实验数据管理与预处理采用Python 3.10与Pandas 2.0实现,保证了实验在大规模数据下的高效运行与可重复性。

　　3.2实验结果与分析

　　为验证所提出的基于神经网络的多粒度交互关系预测方法的有效性,本研究在构建的数据集上设计了对比实验。对比对象包括传统机器学习方法（支持向量机SVM、随机森林RF）以及单粒度深度学习方法（仅模块级或仅函数级特征输入的神经网络）。实验评价指标选用准确率（Accuracy）、宏平均精确率（Precision）、宏平均召回率（Recall）以及F1值,所有实验均在相同训练集、验证集和测试集划分下进行,以保证结果的可比性。实验结果如表1所示。

　　由表1可见,传统方法在预测准确率和F1值上均低于85%,反映其对复杂交互关系建模能力有限。单粒度神经网络能够利用深层特征提升性能,但模块级与函数级模型各自的Recall指标均不足87%,说明仅依赖单一粒度难以覆盖不同层次的依赖模式。本文提出的多粒度神经网络在四项指标上均达到91%以上,Accuracy提升幅度超过4%,F1值提升近5个百分点。这表明,多粒度特征映射与隐层交互机制有效缓解了依赖信息缺失的问题,增强了预测模型对弱依赖和跨粒度关系的识别能力。

　　4结语

　　本文提出的基于神经网络的多粒度交互关系预测方法通过模块级、类级与函数级特征的联合建模,有效增强了交互信息的完整性与表达能力。实验结果表明,该方法在准确率与F1值上均显著优于传统模型与单粒度方法,能够更好地识别弱依赖与跨粒度关系。

参考文献

　　[1]邓文涛,程璨,何鹏,等.基于图神经网络的多粒度软件系统交互关系预测[J].软件学报,2025,36(5):2043-2063.

　　[2]黎家桓.基于多粒度交互的组合零样本识别[D].南宁:广西大学,2024.

　　[3]李锦航.基于多粒度语义交互的电力安规问答研究[D].昆明:昆明理工大学,2024.

　　[4]王思语,程兵.文本阅读理解的快速多粒度推断深度神经网络[J].智能计算机与应用,2023,13(4):27-32.

　　[5]郑逸凡,黄瑞垠,WAQAR KHAN.基于混合神经网络的物联网终端软件缺陷检测研究[J].通化师范学院学报,2025,46(8):43-47.