1.一种基于递归神经网络模型的代码注释生成方法，其特征在于，包括如下步骤：
s1、使用scrapy从开源社区上爬取评分高的代码项目，获得java数据集；
s2、对步骤s1获得的java数据集进行筛选和处理，剔除简单的注释和方法，优化java数据集；
s3、将步骤s2处理过的java数据集输入seq2seq模型中，进行信息编码；
s4、将步骤s3输出的信息编码输入attention机制层和copy机制层得到上下文向量；
s5、将信息编码和上下文向量输入解码层，生成代码注释。
2.根据权利要求1所述的基于递归神经网络模型的代码注释生成方法，其特征在于，步骤s1的具体步骤为：
s1.1、根据github上的编程语言流行指标，选择排名靠前的java语言作为代码注释的目标；
s1.2、从github上爬取评分较高的java项目，获得java数据集。
3.根据权利要求1所述的基于递归神经网络模型的代码注释生成方法，其特征在于，步骤s2的具体步骤为：
s2.1、对获得的java数据集进行筛选和处理：在每个存储库中选择具有相应javadoc的java方法，并将javadoc中的第一句话用作java方法的目标注释，并且采用serializable接口技术，对面目标注释进行向量化处理，使得注释可以很好的保存上下文的信息，获得目标注释序列；
s2.2、优化java数据集：省略java数据集中基本测试方法的注释和方法，手动检查处理后的样本，并省略覆盖方法以减少重复。
4.根据权利要求1所述的基于递归神经网络模型的代码注释生成方法，其特征在于，步骤s3的具体步骤为：
s3.1、在对数据集进行预处理之后，得到的方法序列生成抽象语法树ast：第一步进行词法分析，读取代码从java方法中提取tokens，标记化方法体，使用camelcase分类每个token并且删除重复的token，最后将代码分割成一个tokens列表；第二步进行语法分析，将词法分析所得到的tokens列表转化成树形的表达形式；
s3.2、使用一种平衡二叉搜索树avl来遍历抽象语法树ast，查找token节点类型中代码词典，生成代码序列；
对于每一个结点调用insert()函数，在执行完insert()操作后，avl的性质不满足，再调用maintain()函数来修复avl；
s3.3、调用serialize()函数对ast进行序列化操作，将得到的ast序列输入到seq2seq模型之中；
s3.4、seq2seq模型的主流是编码器-解码器架构，并且融入attention机制和copy机制，编码器是一个两层双向lstm网络，解码器是一个单层lstm网络，对于给定的输入x＝(x1,x2,…,xt)，在t时刻的状态信息xt和上一状态隐含状态st-1经过长短记忆神经网络lstm模型，生成当前隐含状态序列st和状态信息xt的编码输出ht。
5.根据权利要求4所述的基于递归神经网络模型的代码注释生成方法，其特征在于，步骤s3.4的具体步骤为：
s3.4.1、假设eij为当前隐藏状态序列si-1和上一状态信息的编码输出hj的匹配程度的记号，计算公式如下：
eij＝a(si-1,hj)式(ⅰ)，
其中，si-1为第i-1位置的隐藏状态序列，hj为第j位置状态信息的编码输出；
s3.4.2、定义α为归一化概率权重，表示输入的第j个信息和当前输出的关系概率：
其中，eij为si-1和hj之间匹配程度的记号；
s3.4.3、权重α和编码输出hj之间的匹配程度得到上下文向量c，c的计算公式如下：
其中，αij为归一化概率权重，hj为第j时刻的编码输出；
s3.4.4、为了解决得到的上下文向量c中出现的未知词汇，融入copy机制，采用generate-mode©-mode两个模式，对未知词汇采用直接copy-mode的方式从源代码词汇中直接复制词汇，来缓解未知词汇的问题，提高上下文向量c中的有效词汇，对于已有的词汇采用generate-mode模式直接从词汇中生成；最后，将generate-mode©-mode输出的概率进行加和，作为最终词的概率分布。
6.根据权利要求1所述的基于递归神经网络模型的代码注释生成方法，其特征在于，步骤s5中将信息编码和上下文向量输入解码层，由源代码注释和序列概率分布生成输出序列，概率分布计算公式如下：
p(yt|y1,y2,…,yt-1,c)＝g(yt-1,hi,c)式(ⅳ)，
其中，yt为t时刻预测的结果，c为上下文向量，hi为第i个时刻的编码输出，g()为yi时刻的概率。