科技工作者之家
科技工作者之家APP是专注科技人才,知识分享与人才交流的服务平台。
科技工作者之家 2022-07-26
近日,中国科学院软件研究所互联网软件技术实验室在代码注释数据治理方面取得进展。该研究针对当前代码注释大数据质量治理难的问题,通过分析4个大规模代码注释基准数据集,归纳出12种类型的噪声数据并研发了基于规则的代码注释数据噪声清理工具,能够高效、精准地自动治理代码注释数据质量,为代码注释自动生成模型形成高质量数据提供保障,有效促进现有的代码注释自动生成模型提升性能。
代码注释自动生成技术旨在减轻人工编写注释代码的工作量,从而提高软件开发效率。目前主流的代码注释生成模型大多采用深度学习框架,模型的有效性依赖大规模高质量数据集。然而现实中基准数据集主要采集自真实的开源项目代码,其数据质量如何尚无研究深入分析。
针对上述问题,科研人员检测了4个基准数据集中的噪声,发现这些数据集中均广泛存在噪声数据,噪声数据占比最低31%,最多高达到65%;定义了12种类型的噪声数据并给出了具体示例;并研发了基于规则的代码注释数据噪声清理工具,治理准确率达到97.5%。科研人员对比了清理前后的3个最新代码注释自动生成模型,发现去除噪声后,模型的性能普遍提升了21%-27%。
相关研究成果以Are We Building on the Rock? On the Importance of Data Preprocessing for Code Summarization为题,被软件工程领域会议ESEC/FSE 2022录用。研究工作得到国家重点研发计划的支持。
代码注释数据质量分析方法框架
内容来源:中国科学院来源:中国科学院
原文链接:http://www.cas.cn/syky/202207/t20220721_4842634.shtml
版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。
电话:(010)86409582
邮箱:kejie@scimall.org.cn
2019年月球上或将拥有4G网络,可在月地间传输数据
中国建成国际上最大规模“西太平洋深海潜标观测网”
新一代互联网数据中心建设启动
条件注释
数据模型助力找到木星出生地
Science:科学家们快速发布用于评估和预测COVID-19疫情的模型和代码
NAR:蛋白功能层级注释数据库eggNOG5
湖北省农科院发表高质量栽培草莓基因组注释
数据模型告诉你,现在可以放松了吗?
数据时代,别忘捂紧“信息钱袋”