ACLMay, 2020

TAG: 代码注释生成的类型辅助指导

PDF
TL;DR提出了一种考虑代码类型信息的编码器 - 解码器框架，解决现有结构到序列框架在生成代码注释时忽略类型信息的问题，使用了基于层次强化学习的方法解决训练困难，并在自动评估指标和案例研究上达到了最先进的性能水平。
code comment generationtype informationencoder-decoder frameworkhierarchical dependencereinforcement learning
发现论文，激发创造
  • TypeT5: 使用静态分析进行 Seq2seq 类型推断

    本文提出了一种新的类型推理算法 TypeT5，通过机器学习和固定语境的方式，使用先进的 pre-trained language model CodeT5，对 Python 和 JavaScript 程序中缺失的类型进行预测，并采用迭代解码方法处理相关代码元素之间的信息传递，从而提高了对带有稀有和复杂类型的程序的准确性。

    Mar, 2023

  • 代码块的文本描述性注释自动生成

    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

  • StructCoder: 面向结构的代码生成 Transformer

    本研究利用编码器 - 解码器 Transformer 模型进行编码生成，使用诸如抽象语法树路径预测和数据流预测等辅助任务，结构感知地提高了生成代码质量，实现了代码翻译和文本到代码生成任务的最新性能状态。

    Jun, 2022

  • 使用树自动编码器无监督推断基于数据驱动的话语结构

    为解决语篇树结构数据不足的问题，本文提出了一种基于无监督学习和隐式树归纳框架扩展的自动编码目标策略，可应用于生成语法分析、语篇分析等任何树状结构目标。

    Oct, 2022

  • 代码结构指导的源代码摘要变压器

    本文提出了一个名为 SG-Trans 的新颖方法，通过将本地符号信息和全局句法结构注入到 Transformer 的自注意模块作为归纳偏置，并设计能够分布在 Transformer 的较低层和高层的注意头中，进一步捕捉代码的层次特征，将其有效地集成到 Transformer 来实现深度学习自动生成代码摘要，经过广泛评估，SG-Trans 相对于最佳基准测试结果在两个基准数据集上分别提高了 1.4％和 2.0％的 METEOR 得分，这是一种广泛用于测量生成质量的指标。

    Apr, 2021

  • 基于结构的 Transformer 的代码摘要

    本研究利用结构诱导 Transformer 模型，提高源代码自动摘要生成的性能和效果。

    Dec, 2020

  • 增强数据流分析的学习类型推断

    CodeTIDAL5 是一种基于 Transformer 的模型，用于可靠地预测类型注释，并从程序的代码属性图中提取使用片段，其在 ManyTypes4TypeScript 基准测试上优于当前最先进的神经类型推理系统 7.85％，总体准确率达到 71.27％。

    Oct, 2023

  • 通过阅读 API 文档生成未知库代码

    本篇研究是探讨 open-domain code generation 领域中的挑战 --- 对于不同编程社区中经常变化和扩展的函数和类的生成，特别是当涉及到未知的代码库时。作者提出了一个框架，利用 API 文档中的信息生成代码，并进行了相关实验并开放了一个新数据集。

    Feb, 2022

  • 检索和优化：基于示例的神经评论生成

    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

  • 基于生成模型的查询扩展技术在代码检索中的应用

    本文提出了一个以生成扩展查询为基础的框架，利用强大的代码生成模型来提高代码检索任务。该方法优化了嵌入到潜空间的文档 - 代码对，利用生成的代码片段将文档查询扩展与目标代码片段匹配。该方法在 CodeSearchNet 数据集上实验，并取得了迄今为止最好的性能结果。

    Dec, 2022