本文研究了代码推荐的方法,针对高校C语言课程的编程练习,在学生编写程序过程中提供不同粒度的代码推荐方案。学生练习编写程序过程中会由于编程经验不足、语法不熟悉等原因突然暂停住,又因为不能及时得到老师同学的帮助,不知道下一步的编程思路,给学生的编程学习造成很大困难。一些集成开发环境(IDE)都包含了代码推荐功能,但是IDE通常是基于编程语言的静态类型分析对属性、方法和参数列表的推荐,所提出的代码方案往往与当前的编程上下文环境无关,并且这些推荐的结果是按照字母顺序排列的,没有考虑推荐结果与当前环境上下文的相关性。本课题利用人工智能技术和在线编程课程提供的大量参考代码,研究代码推荐方法及其在学生编程指导中的应用。利用大量正确的学生程序,通过人工智能算法,从单词、句子、和代码块三个不同粒度学习程序的内在结构逻辑和编程模式,从而根据程序的当前上下文,对编程困难的学生提供编程帮助。针对上述问题,本文完成了如下工作:基于循环神经网络的token词推荐。此方法根据当前程序上下文的token序列推荐下一个token词。利用词法分析将程序token化,对token进行标准化以减少代码多样性的影响。利用循环神经网络的学习非线性序列的功能,在token粒度上捕捉token词之间的模式。基于sequence2sequence模型的代码语句推荐。此方法根据当前上下文代码推荐下一行代码语句。首先对源码标准化,减少代码多样性。模型分为编码和解码两个过程,编码阶段的输入是当前程序上下文token序列,编码会输出中间向量,利用注意力机制对中间向量进行处理后输入到解码网络,解码网络会输出一个预测的token序列,即模型根据程序上下文的toke序列推荐的下一个编程语句。集成相似度的代码片段推荐。此方法从代码仓库中选择与当前程序最相似的代码片段进行推荐。首先对程序进行函数分割以减小相似度计算的粒度,接着对token标准化减小变量名对代码相似度计算的影响,然后集成属性计数法和token序列法来综合衡量程序之间的相似性,从而给出相似度最高的代码片段。