论文地址：Deep code comment generation

DeepCom：NMT的方法+SBT+type替换

Abstract

DeepCom使用了NLP的技术学习大规模语料并从中生成注释，使用神经网络分析Java方法的结构信息，使用机器翻译的评价指标

Introduction

软件开发与维护领域，花了59%时间在理解代码上，所以代码注释有必要

过去的模板式和启发式方法缺陷在于：

• 标识符和方法命名不当时难以提取出准确的关键词
• 依赖于检索相似度代码段和这种相似程度

作者把代码生成问题看作NMT问题的变种，从程序语言翻译到自然语言，与Code-NN只对注释建模不同，作者对代码和注释都建模了，与传统的机器翻译问题相比，本文任务挑战如下：

• 代码有结构：如何用上这种丰富的结构信息来推进现有的NMT方法
• 词表：自然语言就30000个常用，但代码上二十来万很正常，因为有一堆标识符啥的

针对结构问题使用了SBT方法来遍历AST

针对词表问题用它们的类型来替代具体的词或

Proposed Approach

Sequence-to-Sequence Model

编码器都是带注意力的LSTM

Abstract Syntax Tree with SBT travesal

• 从根节点开始，首先使用一对括号来表示树结构，然后将根节点本身放在右方括号的后面，即（1）1

• 接下来，遍历根节点的子树，并将子树的所有根节点放入括号中，例(1(2)2(3)3)1

• 遍历每个子树，直到遍历所有节点并获得最终序列（1（2（4）4（5）5（6）6）2（3）3）1

Experiment

<HR align=left color=#987cb9 SIZE=1>