.png){kind=icon}
返回
R $$^2$$ ComSync: improving code-comment synchronization with in-context learning and reranking
.png){kind=icon}
PRE
AI
DOI：10.1007/s10664-025-10800-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码注释同步（CCS）旨在以自动化方式将注释与代码变更同步，从而显著减少开发人员在软件维护和演进中的工作负担。尽管先前研究提出了各种已证明有效的解决方案，但它们通常存在局限性，例如缺乏泛化能力或需要大量任务特定的学习资源。这促使我们探讨大型语言模型（LLMs）在该领域的潜力。然而，初步分析证明，LLMs在CCS任务上不及当前最优（SOTA）方法，因为（1）它们缺乏用于情境学习（ICL）的指导性示例，（2）许多可能正确的候选结果未被优先考虑。为解决上述挑战，我们提出R $$^2$$ ComSync，一种基于ICL并结合检索和重排的代码注释同步方法。具体而言，R $$^2$$ ComSync包含两个创新点：（1）混合检索集成。在检索时，它同等考虑代码注释语义和变更模式的相似性，从而生成包含有效示例的ICL提示。（2）多轮重排策略。我们通过大规模CCS样本分析推导出三条重要规则。给定LLMs的推理结果后，该方法逐步应用三条重排规则以优先考虑可能正确的候选结果。我们在三个覆盖Java和Python编程语言的CCS数据集上，使用五种最新LLMs对R $$^2$$ ComSync进行评估，并与五种SOTA方法进行比较。大量实验表明，R $$^{2}$$ ComSync的性能优于其他方法。此外，定量和定性分析均提供了有力证据，表明由我们提出的方法同步的注释具有显著更高的质量。
Keyword:
Code-comment synchronization
Large language models
In-context learning
Multi-turn Re-ranking
期刊
IF:
3.6
论文数:
2.0K
被引数:
5.3K
机构
引用论文
A Survey on Large Language Model (LLM) Security and Privacy: The Good, The Bad, and The Ugly关于大型语言模型 (LLM) 安全性和隐私的调查: 好，坏和丑陋
OAAI
OAAI分享收藏分享收藏A Neural Model for Method Name Generation from Functional Description.png)
2019 IEEE 26th International Conference on Software Analysis, Evolution and Reengineering (SANER)
2019 IEEE 26th International Conference on Software Analysis, Evolution and Reengineering (SANER)IF0
PREAI
分享收藏分享收藏
查看更多内容