代码注释补全的实证研究
软件工程
2021-07-23 v1
摘要
代码注释在程序理解活动中起着重要作用。然而，源代码并非总配有文档，且代码与注释并非总协同演化。为应对这些问题，研究者提出了自动生成注释以记录给定代码的技术。该领域最新工作应用深度学习（DL）技术来支持此类任务。尽管取得了进展，这些方法的实证评估表明其性能水平仍远未达到对开发者有价值的程度。我们处理一个更简单且相关的问题：代码注释补全。我们不是从零生成给定代码的注释，而是考察最先进技术在多大程度上能帮助开发者更快撰写注释。我们提出一项大规模研究，实证评估简单的n-gram模型与近期提出的Text-To-Text Transfer Transformer（T5）架构在自动补全开发者正在输入的代码注释方面的表现。所得结果显示T5模型的优越性，尽管n-gram模型也是一种具竞争力的方案。
引用
@article{arxiv.2107.10544,
title = {An Empirical Study on Code Comment Completion},
author = {Antonio Mastropaolo and Emad Aghajani and Luca Pascarella and Gabriele Bavota},
journal= {arXiv preprint arXiv:2107.10544},
year = {2021}
}
备注
Accepted for publication at the 37th International Conference on Software Maintenance and Evolution (ICSME 2021)