【论文阅读】A Transformer-based Approach for Source Code Summarization

发表于 ACL 2020
地址：https://arxiv.org/pdf/2005.00653.pdf
代码：https://github.com/wasiahmad/NeuralCodeSum

一、简介

利用transformer模型来进行代码摘要生成，通过对代码token之间的成对关系建模以捕获其长期依赖来学习代码表示。实验部分和其他一些baselines作了对比，验证了模型达到了最优性能。并通过实验证明了，使用相对位置表示对源代码token之间的成对关系进行建模，相对于使用绝对位置表示的学习代码token的序列信息，可以实现重大改进。并在transformer中整合了复制注意力机制，其能够从源代码复制稀有标记（如：函数名称，变量名称），从而显著提高摘要性能。

二、方法

整体基于transformer方法,但除了transformer里的自注意力机制，还整合了复制注意力机制,并使用相对位置表示对源代码token之间的成对关系进行建模。

• 复制注意力：文章在Transformer中整合了copying mechanism复制机制，以允许既根据词汇生成单词又根据输入源代码进行复制。使用额外的注意力层来学习解码器堆栈顶部的复制分布。Copy Attention使Transformer能够从源代码复制稀有标记（例如，函数名称，变量名称），从而显著提高摘要性能。
• Encoding pairwise relationship：代码的语义表示不依赖于其token的绝对位置。相反，它们之间的相互影响会影响源代码的含义。例如，表达式a + b a + ba+b和b + a b + ab+a的语义相同。为了对输入元素之间的成对关系进行编码，将自我注意机制进行了扩展:（第j个token位于第i个token的左侧还是右侧的信息将被忽略）（位置编码部分还没有看的很明白）

数据预处理：论文将CamelCase和snake_case形式的源代码token拆分为相应的sub-tokens（CamelCase和snake_case token化显著减少了词汇量。例如，Java源代码中唯一token的数量从292,626减少到66,650）。证明了这样的代码token拆分可以提高摘要性能。

评价指标：BLEU、METEOR、ROUGE-L

三、实验