HatCUP：基于混合分析与注意力的即时注释更新

在修改代码时，开发者有时会忽略更新相关注释，从而产生不一致或过时的注释。这些注释增加了程序理解成本并大幅降低软件可维护性。研究者已提出若干方案，如 CUP 与 HEBCUP，可针对简单代码改动（即单个 token 的修改）高效更新注释，但对复杂改动效果不足。本文提出一种名为 HatCUP（Hybrid Analysis and Attention based Comment UPdater，基于混合分析与注意力的注释更新器）的方法，为注释更新任务提供新机制。HatCUP 关注混合分析与信息。首先，HatCUP 考虑代码结构变更信息，并引入结构引导注意力机制，结合代码变更图分析与乐观数据流依赖分析。基于广为流行的 RNN 编码器-解码器架构，HatCUP 以代码编辑动作、语法、语义与结构代码变更及旧注释为输入，生成当前代码片段变更的结构化表示。此外，HatCUP 不直接生成新注释，而是提出一种新的编辑或非编辑机制以模拟人类编辑行为，通过生成编辑动作序列并构建改进的 RNN 模型来整合新开发组件。在流行数据集上的评估表明，HatCUP 相较最先进的基于深度学习方法（CUP）在准确率上提升 53.8%、召回率上提升 31.3%、原指标 METEOR 上提升 14.3%。与基于启发式的方法（HEBCUP）相比，HatCUP 也展现出更优的综合性能。