MESIA: 理解和利用方法级评论的补充性质进行自动评论生成
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
本文研究了代码注释生成的有效性，提出了基于信息检索的模型和生成式人工智能的应用。通过上下文化嵌入和机器学习算法，提升了代码注释质量分类模型的性能，验证了生成数据的有效性，并强调了在软件工程中整合生成技术的重要性。
❓
Q&A
如何提高代码注释生成的质量？
通过使用上下文化嵌入和机器学习算法，可以自动化分类代码评论，从而提升代码注释的质量。
什么是APIContext2Com，它的作用是什么？
APIContext2Com是一个系统，利用预定义的API上下文来改善自动生成的代码注释效果。
生成式人工智能在代码注释生成中有什么潜力？
生成式人工智能可以显著提升二元代码注释质量分类模型的性能，验证了其在软件开发中的有效性。
BLEU得分在代码注释生成中有什么作用？
BLEU得分用于评估生成的代码注释与参考注释之间的相似度，帮助校准模型的性能。
如何评估信息检索在软件工程中的应用？
通过比较经典机器学习系统与使用大型语言模型生成的额外数据的性能，评估信息检索的效果。
生成的数据集对代码注释分类模型的影响是什么？
生成的数据集可以提高模型的准确性，例如，使用生成数据集的SVM模型精确度提高了6%。
🏷️
