AAAIOct, 2020

源代码和注释之间的深度即时不一致性检测

PDF
TL;DR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。
natural language commentsinconsistenciesdeep-learning approachcode changescomment maintenance
发现论文，激发创造
  • 使用 BERT 和 Longformer 检测代码注释不一致性

    利用 BERT 和 Longformer 模型检测自然语言告知语境下源代码评论中的不一致性，经过实验验证成功超越多种基线算法并获得与排除语言和词汇特征的最新模型相当的效果，同时探讨使用预训练语言模型检测不一致性和自动更新评论的未来研究方向。

    Jul, 2022

  • 基于代码更改的自然语言注释更新学习

    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

  • 代码到注释的翻译：数据、度量、基准和评估

    本文在研究代码注释生成中，分析了采用翻译模型的可行性以及 BLEU 得分的校准方法，并提出了基于信息检索方法的合理基准线以及未来研究方向的建议。

    Oct, 2020

  • 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

  • 代码需要注释：用注释增强代码 LLMs

    我们研究了大型语言模型的编程技能对其性能的影响，并引入了一种新的数据增强方法和筛选策略来提高预训练数据在代码相关的语言模型性能上的表现。实验证明，使用增强数据训练的模型在两个广泛使用的编程技能评估上的表现优于生成评论的模型和没有使用增强数据进行训练的模型。

    Feb, 2024

  • 自动生成源代码注释的调查：算法和技术

    本文通过调研自动代码注释的研究，分析了自动代码注释的挑战和研究框架，介绍了代表性算法的分类、设计原则、各类算法的优缺点，以及生成注释的质量评估，并总结了自动代码注释技术和注释质量评估的未来方向。

    Jul, 2019

  • 从源代码更改生成自然语言描述的神经网络架构

    通过代码提交信息和修改代码所产生的消息来训练一种编码器 — 解码器结构的模型，以自然语言自动描述程序中的变化，该方法在 12 个开源项目中进行了评估，并在标准项目设置和跨项目设置中展示了可行的和语义良好的描述。

    Apr, 2017

  • 利用生成式人工智能：通过生成的代码 - 注释对提高软件元数据分类能力

    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

  • 提升二进制代码注释质量分类：集成生成人工智能以提高准确性

    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

  • 结合深度学习技术的专家知识来实现即时缺陷预测

    为了利用简单模型和复杂模型的优势，我们提出了一种模型融合框架，采用特征层面上的早期融合和决策层面上的晚期融合。SimCom++ 的实验结果表明，其性能较基准模型提高了 5.7% 至 26.9%。此外，实验结果证实了简单模型和复杂模型互补性的存在。

    Mar, 2024