本文对程序理解领域中自动代码摘要的现状进行了系统文献综述，着重调研数据提取技术、描述生成方法、评估方法和相关工具，从而深入阐述了目前的自动代码摘要方法，为未来程序理解与注释生成的研究提供了方向。

Sep, 2019

AutoCommenter 是一个自动学习和执行编码最佳实践的系统，针对四种编程语言进行了实现和评估，结果表明其对开发者工作流程有积极影响，并述及了在大规模部署中所面临的挑战和相应的经验教训。

May, 2024

该研究提出了一种利用递归神经网络框架，对源代码块自动生成描述性注释的方法，并通过将代码转化为向量的方式，利用循环神经网络生成文本描述，相比于其他基于序列到序列模型的方法具有更高的准确性。

Aug, 2018

通过使用上下文化嵌入（尤其是 BERT）自动化对代码评论进行分类的方法，以及应用不同的机器学习算法来区分有用和无用的代码评论，本研究展示了生成型人工智能在提高二元代码评论质量分类模型方面的潜力，并为软件开发人员和自然语言处理及软件工程研究人员提供了有价值的见解。

Oct, 2023

本文提出 APIContext2Com，利用预定义的 API 上下文来改善自动生成的代码注释的效果，介绍一种序列到序列编码器 - 解码器神经网络模型，它能够有效地将不同的输入转换为目标注释，并开发了一种排名机制来排除无关的 API。作者在 CodeSearchNet 数据集上评估了该方法，发现在 BLEU1、BLEU2、BLEU3、BLEU4、METEOR 和 ROUGE-L 方面分别提高了 1.88（8.24％）、2.16（17.58％）、1.38（18.3％）、0.73（14.17％）、1.58（14.98％）和 1.9（6.92％），同时作者进行人体评估和消融研究确认了该方法的有效性和架构和排名 API 的影响。

Mar, 2023

本文提出一种通过学习不同的自然语言表征和代码表征之间的关系，生成一系列编辑操作来更新现有自然语言注释的方法，并在开源软件项目集合上进行多个实验和对比，结果表明该模型性能优于其他算法。

Apr, 2020

通过整合生成的代码和注释对，提高二进制代码注释质量分类模型的准确性， 使用包含 9048 对用 C 语言编写的代码和注释的数据集，每个都标注为 “有用” 或 “无用”。除此之外，还使用大型语言模型架构生成代码和注释对，并标记以指示其效用。这一努力的成果包括两个分类模型：一个利用原始数据集，另一个整合了新生成的代码注释对和标签的增强数据集。

Oct, 2023

本文旨在总结如何应用机器学习技术进行源代码分析的最新研究动态，并回顾 12 类软件工程任务及相应的机器学习技术、工具和数据集。在文献调研的基础上，文章总结了研究观察和发现，并总结了每个任务的通用步骤、机器学习技术和可用数据集和工具，并讨论了这一领域面临的各种挑战。

Oct, 2021

本文提出了一种基于 IR 技术和模板的 API 注释生成方法。该方法将机器翻译模型迁移到注释生成任务中并且通过引入仅对模板执行的代码生成步骤，使模型更加准确。在 Java 程序员中取得了 state-of-the-art 的回归结果。

Oct, 2020

本论文使用深度学习方法学习评论与代码更改之间的相关性，以检测注释在代码更改后是否变得不一致，同时展示了我们的模型在检测和解决由于代码更改导致的不一致注释方面的能力。

Oct, 2020