摘要
代码克隆（code clone）是指那些具有相似语义但语法上可能不同代码片段。检测代码克隆可以减少软件维护的花费，防止在未来出现过多的错误。但是在过去的二十年里，大多数的检测方法没有检测语义克隆。最近的研究都是在尝试利用抽象语法树，在树上做LSTM。但是它没有充分利用代码片段的结构信息，因此限制了检测能力。
本文
- 提出了一个新方法，基于树卷积来检测语义克隆，即利用AST捕获结构信息，从代码标记获取词法信息。
- 提出了一个新的embeddng技术，位置感应的embedding技术，本质上，将任何标记视为字符one-hot embeddings的位置加权组合？？？没看懂？？需要看原
介绍
代码克隆的出现，主要来自于程序员的复制粘贴行为或者不同的开发者实现了相同的函数。
通常代码克隆被认为有4种类型，前3种认为与文本相似度有关，第4种是功能相似。第4种的克隆是最难检测的，因为它们包括在语法上高度不同但仍然执行相同功能的克隆。比如排序算法，冒泡排序和快排。一般分为：: Very-Strong Type-3, Strong Type3, Moderately Type-3, and Weak Type-3/Type-4。在本文的其余部种，我们将两个最难于检测的克隆类别称为semantic clones语义克隆。
Wei and Li提出了一个基于深度学习的检测方法，CDLH，该方法利用word2vec来捕获文本信息，然后利用LSTM训练AST。
但是作者认为：该方法虽然利用AST得到了结构信息，但是没有考虑节点的类型信息。
依然存在的问题，对高度不同的代码片段缺乏泛化能力，很同意！
作者将高度不同的代码片段称为 unseen data。
模型
总体流程
Tree-Based Convolution and Max Pooling
常见的卷积核都是正方形的，但是基于树的卷积是三角形的。基于树的卷积输出为
Continuous Binary Tree
此时，基于树的卷积有一个问题，自然语言中的语法树子节点的限制为2，但是AST是没有这种限制的，这会导致上式中的$W_{conv,i}$的数量无法确定。一种通用的做法是根据某种规则将其转换成满二叉树，然而，在这个过程很多的结构信息将会丢失。作者想出了"binary" tree,它可以忽略树的大小和形状。
下面就是系数的线性组合公式
