主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
陈翔,杨光,崔展齐,孟国柱,王赞.代码注释自动生成方法综述.软件学报,2021,32(7):13-0
代码注释自动生成方法综述
State-of-the-Art Survey of Automatic Code Comment Generation
投稿时间:2020-09-02  修订日期:2020-10-26
DOI:10.13328/j.cnki.jos.006258
中文关键词:  程序理解  代码注释自动生成  模板  信息检索  深度学习  机器翻译
英文关键词:code comment generation  template  information retrieval  deep learning  machine translation
基金项目:科技创新2030-“新一代人工智能”重大项目(2019AAA0104301);国家自然科学基金(61702041,61872263,61902395,61202006);信息安全国家重点实验室开放课题(2020-MS-07);南京航空航天大学高安全系统的软件开发与验证技术工业和信息化部重点实验室开放课题(NJ2020022);江苏省前沿引领技术基础研究专项(BK20202001);天津市智能制造专项资金项目(20193155).
作者单位E-mail
陈翔 南通大学 信息科学技术学院, 江苏 南通 226019
中国科学院信息工程研究所, 信息安全国家重点实验室, 北京 100093
高安全系统的软件开发与验证技术工业和信息化部重点实验室(南京航空航天大学), 江苏 南京 211106 
xchencs@ntu.edu.cn 
杨光 南通大学 信息科学技术学院, 江苏 南通 226019  
崔展齐 北京信息科技大学 计算机学院, 北京 100101 czq@bistu.edu.cn 
孟国柱 中国科学院信息工程研究所, 信息安全国家重点实验室, 北京 100093  
王赞 天津大学 智能与计算学部, 天津 300350  
摘要点击次数: 463
全文下载次数: 234
中文摘要:
      在软件的开发和维护过程中,与代码对应的注释经常存在缺失、不足或者与代码实际内容不匹配等问题,但手工编写代码注释对开发人员来说费时费力,且注释质量难以保证,因此亟需研究人员提出有效的代码注释自动生成方法.代码注释自动生成问题是当前程序理解研究领域的一个研究热点,论文对该问题进行了系统综述.主要将已有的自动生成方法细分为三类:基于模板的方法、基于信息检索的方法和基于深度学习的方法.论文依次对每一类方法的已有研究成果进行了系统的梳理、总结和点评.随后分析了已有的实证研究中经常使用的语料库和主要的注释质量评估方法,以利于针对该问题的后续研究可以进行合理的实验设计.最后总结全文,并对未来值得关注的研究方向进行了展望.
英文摘要:
      During software development and maintenance, code comments often have some problems, such as missing, insufficient, or mismatching with code content. Writing high-quality code comments takes time and effort for developers, and the quality can not be guaranteed, so it is urgent for researchers to design effective automatic code comment generation methods. The automatic code comment generation issue is an active research topic in the program comprehension domain. In this paper, we conduct a systematic review of this research topic. The existing methods are divided into three categories:template-based generation methods, information retrieval-based methods, and deep learning-based methods. We analyze and summarize related studies for each category. Then we analyze the corpora and comment quality evaluation methods that are often used in previous studies, which can facilitate the experimental study for future studies. Finally, we summarize this paper and discuss the potential research direction in the future.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利