ICSME-2021 Ensemble Models for Neural Source Code Summarization of Subroutines

PaperNote , Comments

论文地址：Ensemble Models for Neural Source Code Summarization of Subroutines

EnsMdl：通过集成不同模型得到更佳结果

Abstract

  1. 不同的模型虽然在结构上相似，但是对于预测质量可能做出不同的贡献
  2. 作者通过集成模型来研究各种代码总结方法的正交性质

Introduction

  1. 不同的信息通过endoer建模后可以对预测提供正交提升

Background & Realated Work

  1. 代码总结提取

    1.1 基于文本：将代码视为序列直接输入

    1.2 扁平结构：将 AST 拍平后输入

    1.3 基于上下文：API、项目上下文等

    1.4 基于GNN：将 AST 构建为图

  2. 集成模型

    集成模型在机器翻译、股票市场预测等领域取得了很好结果。

    研究发现非 AST 和 AST 模型的简单集成就能够取得较好结果，说明在更精致的集成方法上面还有研究潜力。

Simple Ensembles

  1. 集成过程：Stacking 和 Bagging

    avatar

  2. 基线模型：Seq2Seq、Transformer、Seq2Seq-AST-Flat、Seq2Seq-AST-GNN、Seq2Seq-AST-FC、Seq2Seq-AST-Flat-FC

Results

avatar

Yang TanMaster Student @ECUST