Niet kopiëren en plakken! Herschrijfstrategieën voor het terugvinden van code

Samenvatting

Op embeddings gebaseerde code retrieval heeft vaak te lijden wanneer encoders overfitten op oppervlaktesyntaxis. Eerder werk vermindert dit door LLM's te gebruiken om queries en corpora te herformuleren naar een genormaliseerde stijl, maar laat twee vragen open: hoeveel helpt een representationele verschuiving, en wanneer is de LLM-aanroep per query gerechtvaardigd? We bestuderen een hiërarchie van drie herschrijfstrategieën: stilistische herformulering, met NL verrijkte pseudocode, en volledige natuurlijke taaltranscriptie, onder gezamenlijke query-corpus- (QC, online) en alleen-corpus- (C, offline) augmentatie, over zes CoIR-benchmarks, vijf encoders en drie herschrijvers die onafhankelijke modelfamilies omvatten (Qwen, DeepSeek, Mistral). Wij zijn de eersten die met NL verrijkte pseudocode en natuurlijke taal op snippetniveau evalueren als directe retrievalrepresentaties, in plaats van als tijdelijke tussenproducten. Volledige NL-herschrijving met QC levert de grootste winst op (+0,51 absolute NDCG@10 op CT-Contest voor MoSE-18), terwijl alleen-corpus herschrijven de retrieval verslechtert in 56 van de 90 configuraties, ongeveer 62%. We introduceren twee diagnostieken, Delta H, token-entropie, en Delta s, embedding-cosinus, en tonen aan dat Delta H de retrievalwinst onder QC voorspelt voor alle drie herschrijverfamilies: gepoolde Spearman's rho = +0,436, p < 0,001 op DeepSeek+Codestral; rho = +0,593 op alleen Codestral; rho = +0,356 op Qwen. Dit vestigt Delta H als een goedkope, herschrijver-agnostische proxy om te beslissen wanneer herschrijven de moeite loont voordat retrieval wordt uitgevoerd. Onze analyse herformuleert LLM-herschrijven als een kosten-batenbeslissing: het is het meest effectief als een herstellaag voor lichtgewicht encoders op code-dominante queries, met afnemende meeropbrengst voor sterke encoders of NL-zware queries.

English

Embedding-based code retrieval often suffers when encoders overfit to surface syntax. Prior work mitigates this by using LLMs to rephrase queries and corpora into a normalized style, but leaves two questions open: how much representational shift helps, and when is the per-query LLM call justified? We study a hierarchy of three rewriting strategies: stylistic rephrasing, NL-enriched PseudoCode, and full Natural-Language transcription, under joint query-corpus (QC, online) and corpus-only (C, offline) augmentation, across six CoIR benchmarks, five encoders, and three rewriters spanning independent model families (Qwen, DeepSeek, Mistral). We are the first to evaluate NL-enriched PseudoCode and snippet-level Natural Language as direct retrieval representations, rather than as transient intermediates. Full NL rewriting with QC yields the largest gains (+0.51 absolute NDCG@10 on CT-Contest for MoSE-18), while corpus-only rewriting degrades retrieval in 56 of 90 configurations, about 62%. We introduce two diagnostics, Delta H, token entropy, and Delta s, embedding cosine, and show that Delta H predicts retrieval gain under QC across all three rewriter families: pooled Spearman rho = +0.436, p < 0.001 on DeepSeek+Codestral; rho = +0.593 on Codestral alone; rho = +0.356 on Qwen. This establishes Delta H as a cheap, rewriter-agnostic proxy for deciding when rewriting pays off before running retrieval. Our analysis reframes LLM rewriting as a cost-benefit decision: it is most effective as a remediation layer for lightweight encoders on code-dominant queries, with diminishing returns for strong encoders or NL-heavy queries.