KADEL：面向提交信息生成的知识感知去噪学习

提交信息是对代码变更的自然语言描述，对于代码理解与维护等软件演化活动至关重要。然而，以往方法在整个数据集上训练，未考虑部分提交信息遵循良好实践（即良好实践提交），而其余则不然。基于我们的实证研究，我们发现仅在良好实践提交上训练对提交信息生成有显著贡献。受此发现启发，我们提出一种新颖的知识感知去噪学习方法，名为KADEL。考虑到良好实践提交仅占数据集的一小部分，我们将剩余训练样本与这些良好实践提交对齐。为此，我们提出一个通过在良好实践提交上训练来学习提交知识的模型。该知识模型能够为不符合良好实践的训练样本补充更多信息。然而，由于补充信息可能包含噪声或预测误差，我们提出一种动态去噪训练方法。该方法组合了一个分布感知置信度函数和一个动态分布列表，从而增强了训练过程的有效性。在完整MCMD数据集上的实验结果表明，与以往方法相比，我们的方法总体上达到了最先进的性能。我们的源代码和数据可在https://github.com/DeepSoftwareAnalytics/KADEL获取。