1.一种基于跨模态信息融合的代码摘要生成方法，其特征在于，包括：由工具数据库中获取新增源代码，将新增源代码输入至预训练的代码摘要生成器获得新增代码摘要；所述代码摘要生成器包括解析单元、编码单元和解码单元；

构建代码摘要生成器的过程包括：

由公共数据集中获取训练源代码，通过解析单元对训练源代码进行解析获得标记序列特征、AST节点特征和CFG节点特征；

将标记序列特征、AST节点特征和CFG节点特征输入至编码单元，对AST节点特征进行图卷积、图注意力和位置编码信息融合获得第一特征矩阵 ；

对CFG节点特征进行图卷积、图注意力和位置编码信息融合获得第二特征矩阵，过程包括：首先对CFG节点特征的前向聚合表示与后向聚合表示赋初值，表达公式为：；

其中， 表示CFG节点特征的前向聚合初始表示矩阵， 表示CFG节点特征的后向聚合初始表示矩阵， 表示CFG节点特征的初始表示矩阵；

将CFG节点特征的后向聚合初始表示和前向聚合初始经过GNN模块进行图卷积和图注意力处理获得前向聚合矩阵 和后向聚合矩阵 ，对前向聚合矩阵和后向聚合矩阵 进行拼接和最大池化处理获得中间特征图；

；

；

公式中， 为第n个GNN模块的输出特征； 为经过第n个GNN模块前向聚合更新后的CFG节点表示； 为经过第n个GNN模块后向聚合更新后的CFG节点表示；||为拼接操作； 为最大池化函数； 为输出特征 中的第2d‑1维度特征； 为输出特征 中的第2d维度特征；

将CFG节点特征经过N个堆叠的GNN模块进行图卷积和图注意力处理获得中间特征图；对中间特征图 进行位置编码信息融合获得第二特征矩阵 ；

将标记序列特征输入至编码器中的codebert预训练模型获得第三特征矩阵 ；对第三特征矩阵 进行位置编码信息融合获得序列特征矩阵 ；将第一特征矩阵和序列特征矩阵 进行特征融合获得标记融合表征 ，过程包括：将序列特征矩阵 与查询权重矩阵相乘获得查询矩阵 ；将第一特征矩阵 与键权重矩阵相乘获得键矩阵 ；将第一特征矩阵 与值权重矩阵相乘获得值矩阵 ；表达公式为：

；

；

；

公式中， 为查询权重矩阵； 为键权重矩阵； 为值权重矩阵；

根据查询矩阵 、键矩阵 和值矩阵 计算获得标记融合表征，表达公式为：

；

公式中， 为激活函数； 为特征嵌入维度；

将第一特征矩阵 和第二特征矩阵 输入至编码器中的自注意力机制获得抽象代码树表征 和控制流图表征 ，过程包括：将第一特征矩阵 与查询权重矩阵、键权重矩阵以及值权重矩阵相乘获得查询矩阵 、键矩阵 和值矩阵 ；

采用 激活函数根据查询矩阵 、键矩阵 和值矩阵计算获得抽象代码树表征 ；

将第二特征矩阵 与查询权重矩阵、键权重矩阵以及值权重矩阵相乘获得查询矩阵 、键矩阵 和值矩阵 ；

采用 激活函数根据查询矩阵 、键矩阵 和值矩阵计算获得控制流图表征 ；

将标记融合表征 、抽象代码树表征 和控制流图表征 输入至解码单元获得训练代码摘要；

将训练源代码中实际摘要作为真实标签，根据训练代码摘要和真实标签计算训练损失，根据训练损失对代码摘要生成器的参数进行优化，重复迭代直至达到训练终止条件输出训练后的代码摘要生成器。

2.根据权利要求1所述的代码摘要生成方法，其特征在于，通过解析单元对训练源代码进行解析获得标记序列特征、AST节点特征和CFG节点特征，过程包括：通过解析单元对训练源代码进行解析获得代码标记序列、抽象代码树和控制流图；将代码标记序列转换获得标记特征；对抽象代码树和控制流图进行特征提取获得AST节点特征和CFG节点特征。

3.根据权利要求2所述的代码摘要生成方法，其特征在于，将代码标记序列转换获得标记特征，过程包括：所述解析单元包括codebert预训练模型，将所述代码标记序列中代码标记转换为词表索引，将词表索引转换为固定维度的标记嵌入向量，包括为：；

其中，dim为标记嵌入向量的维度， 为在序列中的第i个单词的词表索引，embedding表示所述解析单元中codebert预训练模型的嵌入操作函数， 为标记嵌入向量；

基于各代码标记对应标记嵌入向量构建嵌入矩阵，记为标记特征。

4.根据权利要求2所述的代码摘要生成方法，其特征在于，对抽象代码树和控制流图进行特征提取获得AST节点特征和CFG节点特征，过程包括：由抽象代码树的节点和控制流图的节点中提取AST节点单词序列和CFG节点单词序列，将AST节点单词序列和CFG节点单词序列加上起止标签转换为对应的AST词表索引序列和CFG词表索引序列；表达公式为：；

；

公式中， 为AST词表索引序列； 为CFG词表索引序列； 表示为AST词表索引序列中第 个词表索引， ； 为AST词表索引序列中词表索引的数量； 表示为CFG词表索引序列中第 个词表索引， ； 为CFG词表索引序列中词表索引的数量； 和 为起止标签；

通过解析单元中codebert预训练模型将AST词表索引序列转换为AST节点嵌入向量，将CFG词表索引序列转换为CFG节点嵌入向量，表达公式为：；

；

公式中， 为AST节点嵌入向量； 为起止标签 的索引；

为codebert预训练模型； 为CFG节点嵌入向量；

将CFG节点嵌入向量作为CFG节点特征，将AST节点嵌入向量作为AST节点特征。

5.根据权利要求1所述的代码摘要生成方法，其特征在于，对AST节点特征进行图卷积、图注意力和位置编码信息融合获得第一特征矩阵 ，过程包括：将AST节点特征经过GNN模块进行图卷积和图注意力处理获得中间特征图 ；

所述GNN模块包括图卷积神经网络和图注意力神经网络；

将AST节点特征输入至图卷积神经网络获得AST图特征，表达公式为：；

公式中， 表示第n层GNN模块的输出特征， 表示第N+1层图卷积神经网络输出的AST图特征；当n=0时， 为AST节点特征， 表示第n+1层网络的可学习权重，A表示语法抽象树节点的邻接矩阵，为邻接矩阵与单位矩阵的和， 为 的度矩阵， 为度矩阵的半逆，ReLU是一种具体的非线性激活函数；

将AST图特征输入至图注意力神经网络获得中间特征图 ，表达公式为：；

；

；

公式中， 表示为AST图特征中节点 的嵌入向量； 表示为AST图特征中节点i的邻居节点j的嵌入向量；W为可学习的权重矩阵， 为可学习的向量； 为激活函数； 为节点 对节点 的原始注意力分数； 为节点 对节点 的原始注意力分数；

为指数函数； 为AST图特征中节点的数量； 为对原始注意力分数进行归一化的注意力权重； 为非线性激活函数；

将AST节点特征经过N个堆叠的GNN模块进行图卷积处理获得中间特征图 ；

对中间特征图 进行位置编码信息融合获得第一特征矩阵 ，表达公式为：

；

；

公式中， 为节点i在中间特征图 的位置；PE表示位置编码；dmodel为向量的嵌入维度。

6.根据权利要求1所述的代码摘要生成方法，其特征在于，根据训练代码摘要和真实标签计算训练损失，过程包括：；

公式中， 为训练损失；为预测序列的长度；为词表长度； 为在时间步t中第z个词的实际概率； 为在时间步t中预测词表中第z个词的预测概率。

7.一种基于跨模态信息融合的代码摘要生成系统，其特征在于，包括：摘要生成模块，用于由工具数据库中获取新增源代码，将新增源代码输入至预训练的代码摘要生成器获得新增代码摘要；所述代码摘要生成器包括解析单元、编码单元和解码单元；

数据获取模块，用于由公共数据集中获取训练源代码，通过解析单元对训练源代码进行解析获得标记序列特征、AST节点特征和CFG节点特征；

数据提取模块，用于将标记序列特征、AST节点特征和CFG节点特征输入至编码单元，对AST节点特征和CFG节点特征进行图卷积、图注意力和位置编码信息融合获得第一特征矩阵和第二特征矩阵 ；将第一特征矩阵 和第二特征矩阵 输入至编码器中的自注意力机制获得抽象代码树表征 和控制流图表征 ；

数据融合模块，将标记序列特征输入至编码器中的codebert预训练模型获得第三特征矩阵 ；对第三特征矩阵 进行位置编码信息融合获得序列特征矩阵 ；将第一特征矩阵 和序列特征矩阵 进行特征融合获得标记融合表征 ；

输出模块，将标记融合表征 、抽象代码树表征 和控制流图表征输入至解码单元获得训练代码摘要；将训练源代码中实际摘要作为真实标签，根据训练代码摘要和真实标签计算训练损失，根据训练损失对代码摘要生成器的参数进行优化，重复迭代直至达到训练终止条件输出训练后的代码摘要生成器；

所述数据提取模块对CFG节点特征进行图卷积、图注意力和位置编码信息融合获得第二特征矩阵 ，过程包括：首先对CFG节点特征的前向聚合表示与后向聚合表示赋初值，表达公式为：；

其中， 表示CFG节点特征的前向聚合初始表示矩阵， 表示CFG节点特征的后向聚合初始表示矩阵， 表示CFG节点特征的初始表示矩阵；

将CFG节点特征的后向聚合初始表示和前向聚合初始经过GNN模块进行图卷积和图注意力处理获得前向聚合矩阵 和后向聚合矩阵 ，对前向聚合矩阵和后向聚合矩阵 进行拼接和最大池化处理获得中间特征图；

；

；

公式中， 为第n个GNN模块的输出特征； 为经过第n个GNN模块前向聚合更新后的CFG节点表示； 为经过第n个GNN模块后向聚合更新后的CFG节点表示；||为拼接操作； 为最大池化函数； 为输出特征 中的第2d‑1维度特征； 为输出特征 中的第2d维度特征；

将CFG节点特征经过N个堆叠的GNN模块进行图卷积和图注意力处理获得中间特征图；对中间特征图 进行位置编码信息融合获得第二特征矩阵 ；

所述数据融合模块将第一特征矩阵 和序列特征矩阵 进行特征融合获得标记融合表征 ，过程包括：

将序列特征矩阵 与查询权重矩阵相乘获得查询矩阵 ；将第一特征矩阵 与键权重矩阵相乘获得键矩阵 ；将第一特征矩阵 与值权重矩阵相乘获得值矩阵 ；表达公式为：

；

；

；

公式中， 为查询权重矩阵； 为键权重矩阵； 为值权重矩阵；

根据查询矩阵 、键矩阵 和值矩阵 计算获得标记融合表征，表达公式为：

；

公式中， 为激活函数； 为特征嵌入维度；

输出模块将第一特征矩阵 和第二特征矩阵 输入至编码器中的自注意力机制获得抽象代码树表征 和控制流图表征 ，过程包括：将第一特征矩阵 与查询权重矩阵、键权重矩阵以及值权重矩阵相乘获得查询矩阵 、键矩阵 和值矩阵 ；

采用 激活函数根据查询矩阵 、键矩阵 和值矩阵计算获得抽象代码树表征 ；

将第二特征矩阵 与查询权重矩阵、键权重矩阵以及值权重矩阵相乘获得查询矩阵 、键矩阵 和值矩阵 ；

采用 激活函数根据查询矩阵 、键矩阵 和值矩阵计算获得控制流图表征 。