文章主要内容总结
本文聚焦于代码审查的自动化问题，指出手动代码审查存在耗时、主观、易出错等缺陷，而现有大型语言模型（LLMs）在代码审查中存在逻辑推理和深层语义理解不足的局限。为此，研究提出了一种混合方法：将符号推理技术与微调后的LLMs相结合，通过整合包含编码最佳实践和缺陷模式的知识图谱，提升自动化代码审查的准确性和效率。
实验采用CodexGlue数据集，对CodeT5、CodeBERT、GraphCodeBERT三种模型在四种场景（基础模型、基础模型+少样本学习、微调模型、混合方法）下的性能进行了对比。结果显示，混合方法（微调模型+少样本学习+知识图谱整合）显著提升了模型性能，其中GraphCodeBERT表现最优，平均准确率提升16%，优于同类结合LLMs与符号推理的研究（如SYNCHROMESH的12%提升）。
文章创新点
- 提出混合方法：将符号推理与微调后的LLMs结合，弥补LLMs在逻辑推理和语义理解上的不足，增强代码审查的可靠性。
- 知识图谱整合：构建包含20种Python常见缺陷模式和最佳实践的知识图谱（如命名反模式、不可达代码、资源泄漏等），为模型提供结构化先验知识，引导其更精准地检测缺陷。
- 多策略结合：在混合方法中融合微调、少样本学习和知识图谱，通过多维度优化提升模型性能，实验证明该方法对不同LLMs均有显著改进效果。
