返回
Modeling Structural Features with Structure Position-Aware Attention for Code Summarization
DOI:10.1142/S0218194025500512.png)
摘要
En 中文
代码注释的自动生成是软件工程中的一个关键方面,因为它能够用自然语言描述源代码的功能。近年来,研究人员利用先进的机器翻译模型,特别是基于Transformer的模型,在代码摘要任务中取得了显著成果。尽管取得了这些进展,当前方法仍面临一些挑战。首先,现有模型未能很好地融入代码丰富的结构信息,导致生成的摘要语句质量不佳。其次,大多数生成模型对代码文本的编辑过于敏感,这导致模型泛化能力不足。为解决这些问题,我们提出了一个名为SPA-Trans(基于结构位置感知注意力Transformer的模型)的新模型。SPA-Trans利用基于AST(抽象语法树)中节点相对距离的距离矩阵来表示各token之间的结构相关性,增强了模型捕获源代码结构信息的能力。此外,为降低模型对代码编辑的敏感性,我们在嵌入层采用了对抗训练方法来模拟代码编辑,从而提升了模型的泛化能力。我们在Java和Python的真实数据集上的实验验证了我们提出方法的有效性。
Keyword:
Code summarization
programming language
text generation
deep learning
期刊
I
IF:
0.6
论文数:
107
被引数:
543
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示

