ConcernBERT: 클래스 멤버십을 이용한 책임 학습

관심사 분리 (Separation of concerns), 높은 응집도 (High cohesion), 그리고 단일 책임 (Single responsibility) 원칙은 소프트웨어 설계에서 가장 잘 알려진 원칙들 중 하나입니다. 그러나 이러한 원칙들의 적용은 종종 실행 가능한 조치라기보다는 철학적인 수준에 머물러 있으며, 개발자의 직관과 경험에 크게 의존합니다. God class 분해 (God class decomposition), Extract class 리팩터링 (Extract class refactoring), 응집도 측정 (Cohesion measurement)과 같은 많은 소프트웨어 작업들은 프로그램 엔티티 (Entity)의 응집된 그룹, 즉 공동의 책임을 함께 수행하는 엔티티들을 식별하는 기술에 의존합니다. 하지만 이러한 그룹을 신뢰성 있게 식별하는 것은 여전히 과제로 남아 있습니다. 본 논문에서는 ConcernBERT를 제안합니다. ConcernBERT는 엔티티 수준에서 학습된 BERT 기반 임베딩 모델로, triplet loss를 사용하여 임베딩 공간 내 메서드 (Method)와 속성 (Attribute)의 상대적 위치를 직접 최적화하며, 클래스 멤버십 (Class-membership) 컨텍스트를 사용하여 책임과 관심사를 학습합니다. 또한 우리는 학습 및 평가를 위한 대규모 복제 데이터셋을 기여합니다. 우리의 데이터셋은 6,000개 이상의 리포지토리 (Repository)에 걸쳐 200만 개 이상의 Java 파일을 포함합니다. ConcernBERT를 평가하기 위해, 우리는 두 개 이상의 클래스에서 메서드를 병합하여 레이블이 없는 그룹을 만들고, 원래의 클래스 멤버십을 복구하는 모델의 능력을 테스트합니다. ConcernBERT는 기존 모델보다 현저히 높은 성능을 달성하였으며, 관심사 수준의 의미론 (Semantics)을 인코딩하는 데 있어 효과적임을 입증하고 아키텍처 복구 (Architecture recovery), Extract class 리팩터링 (Extract class refactoring), 응집도 측정 (Cohesion measurement)과 같은 다운스트림 작업 (Downstream tasks)을 위한 강력한 기반을 구축했습니다.