.png){kind=icon}
返回
Optimizing Knowledge Utilization for Multi-Intent Comment Generation With Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1109/tse.2026.3687241.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码注释生成旨在为代码片段生成通用概述，帮助开发者理解与维护代码。然而，通用摘要不足以满足实践者的多样化需求；例如，开发者期望以清晰方式呈现实现见解，而用户则寻求明确的用法说明。这凸显了多意图注释生成的必要性。随着大型语言模型（LLMs）在代码相关任务中的广泛应用，这些模型已被用于解决多意图注释生成的挑战。尽管取得了一定成功，但当前基于LLMs的最先进方法通常难以在少量演示示例中构建意图、代码与注释之间的正确关系。为缓解此问题，我们提出名为KUMIC的多意图注释生成框架。基于上下文学习，KUMIC利用思维链（CoT）优化LLMs的知识利用，以生成特定意图的注释。具体而言，KUMIC首先设计检索机制获取具有高代码-注释一致性的相似演示示例，然后利用CoT引导LLMs关注有助于推导与特定意图对齐的代码注释的语句。在此过程中，KUMIC构建了映射知识链——连接代码到特定意图的语句再到注释——使LLMs在生成期望注释时遵循相似的推理步骤。我们进行了广泛实验评估KUMIC，结果表明KUMIC在BLEU、METEOR、ROUGE-L和SBERT指标上分别比最先进基线提升14.49%、22.41%、20.72%和12.94%。
Keyword:
Code summarization
large language model
in-context learning
chain-of-thought
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容