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

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

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

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

本研究提出了一种新的神经网络模型，它可以将源代码的单词和代码结构（AST）结合起来，从而能够生成准确的注释文档。与传统的基于模板的系统不同，该模型可以更好地学习代码结构，即使程序缺乏内部文档，也可以在演示中提供连贯的描述，并在 SE 文献和 NLP 文献中得到进一步的改进和应用验证。

Feb, 2019

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

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

提出了一种结合检索和生成方法的方法，使用关注模块检索有信息量和相关性的用户生成数据评论，然后与文章一起作为输入，使用具有复制机制的序列到序列模型。在大规模评论生成数据集上展示了该模型的稳健性并证明了其在 BLEU-1 得分方面比具有注意力机制的 Seq2Seq 和信息检索模型等强基线模型显着优越约 27 和 30 个 BLEU-1 点。

Oct, 2018

本文提出了一种使用图神经网络的自动代码注释生成方法，该方法使用了源代码序列和图结构信息作为输入，使用 210 万个 Java 方法 - 注释对进行评估，并表明比四种基线技术均有所改进。

Apr, 2020

本研究提出了使用检索增强机制和动态图神经网络结构来生成源代码摘要的方法，并在大规模的开源项目数据集上进行了实验，在 ROUGE-L，BLEU-4 和 METEOR 等方面取得了最先进的结果。

Jun, 2020