作为一个整天以代码为伴的码农，避免不了会接触到各种代码提示工具，但是呢，用久了之后会发现他们都有个共同点，那就是 模型巨大，动辄几百兆；并且模型大必然需要更多的计算，同样会导致电脑内存占用高，风扇呼呼的转，时间久了逐渐会发现电脑存储不够用了，电脑变卡了等等问题。

那么，有没有一款轻量化的代码提示插件？或者说，如何实现一款轻量化的代码提示插件呢？

下面我会从 模型选择、模型实现、模型优化三个方面 来介绍我们在代码智能提示方面的一些实践。

模型选择
 如何衡量一个模型的效果是好还是不好呢？
我们首先建立了基本的模型衡量体系，见下图。

我们会从推荐的准确性、完整性、连续性、性能、个性化以及智能性六个维度去综合评价一个模型的优劣。之后，我们会进一步完善这个体系，使之能够系统完整的评测模型的效果。

实践中，我们选取了 GPT-2模型和基于markov的n-gram统计模型进行对比。

对比发现，GPT-2模型在准确性和完整性方面表现优异，但是在性能方面，由于模型较大，推荐一次耗时较久，（这里我们试了最少参数的版本，训练之后模型在500M左右，推荐一次大概需要10S ），由于暂时没找到模型压缩的方法，只能暂时放弃。
另一个n-gram模型，在测试后发现，它在持续推荐和性能 方面表现优异，模型大小仅有40M，但也并非完美，在准确性和完整性方面表现的不是很好。

在实践中，我们发现，推荐耗时在毫秒级别能够使用户顺畅无阻碍的编写下去，多于1s，则会让用户的输入产生停顿。 基于此我们暂时选取n-gram作为我们的推荐模型。

模型实现
下面介绍一下n-gram模型的基本原理以及我们的实现。

首先，n-gram模型基于马尔可夫链的假设，即：当前这个词出现的概率仅仅跟前面几个有限的词相关。 以最简单的n=2为例，即 下一个词出现的概率仅跟之前一个词相关，基于这个思想，我们将大量代码进行切分，这样我们得到了很多的二元组，这里可以使用单词的出现次数代表概率。这样，我们根据一个词就可以得到一个不同概率分布的推荐列表，然后每次都以当前词进行推荐，就可以产生持续不断的推荐了。切分的效果参考这张图

以下是模型训练和产生推荐的大致流程。

模型优化
在真实应用中，仅仅有这些是远远不够的。模型只是其中一部分，更多的应该是在应用过程中，依据实践经验和用户的反馈，对模型进行不断调优：

比如，在实际应用中，基于同一个上下文，我们一般会同时产生基于n=3，n=4等等不通粒度的推荐，我们会给不通粒度赋予不同的权重，然后结合概率进行筛选和排序，并且根据实际效果以及我们的反馈体系，对权重进行断优化，确保产生最佳效果的推荐。
另外，为了让推荐更加个性化，我们的模型需要具备实时训练的能力，即用户的输入在产生推荐的同时，还要参与模型的增量训练，并根据用户实际的选择对模型进行调优，确保模型的准确性和个性化，大致流程图如下
还有，为了得到更加轻量的模型，我们对语料库也进行了精简，比如，在初始模型中，我们对出现概率极低的语料进行了删减，保持模型的轻巧和高效，同时由于具备实时训练的能力，确保这个操作不会影响到推荐的准确率。

结语
当然，目前的这些对于一个轻巧好用的代码提示来说是远远不够的，当前我们正在尝试完善模型的衡量体系 ，并且在尝试更多轻量的语言模型，希望给用户提供完美的体验。

原文链接
本文为阿里云原创内容，未经允许不得转载。