MESIA: 理解和利用方法级评论的补充性质进行自动评论生成
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。
延伸解读
生成式AI如何提升代码注释质量分类
文章提到，通过OpenAI API生成1239个新的代码-注释对，并与原有9048个C语言代码-注释对整合，支持向量机模型的精确度从0.79提高到0.85，人工神经网络模型的召回率从0.731提高到0.746。这表明生成式AI可以扩充训练数据，从而提升分类模型性能，为软件工程中的质量保证提供了新思路。
信息检索在代码注释分类中的基准表现
文章介绍了信息检索在软件工程（IRSE）中的研究，最佳模型在种子数据上获得88.401%的宏F1分数，而在大型语言模型生成的数据上总体性能增加了1.5%。这为代码注释分类任务提供了一个合理的性能基准，并展示了利用生成数据进一步提升效果的潜力。
APIContext2Com：利用API上下文改进注释生成
文章提出APIContext2Com方法，通过预定义的API上下文和序列到序列模型生成代码注释，并在CodeSearchNet数据集上评估，BLEU1、BLEU2、BLEU3、BLEU4、METEOR和ROUGE-L指标分别提升了1.88、2.16、1.38、0.73、1.58和1.9。这表明结合API上下文能有效提高自动生成注释的质量。
大型语言模型生成数据的双面影响
文章指出，大型语言模型生成的标签虽然增加了预测模型的偏差，但能得到更少过拟合的结果。这提示研究者和开发者在利用生成数据增强模型时，需要权衡偏差与泛化能力，合理设计数据增强和筛选策略，以提升模型在实际软件工程场景中的准确性和效果。
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%。
