論文の概要: DPS: Design Pattern Summarisation Using Code Features

• arxiv url: http://arxiv.org/abs/2504.11081v1
• Date: Tue, 15 Apr 2025 11:27:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-24 03:36:07.219303
• Title: DPS: Design Pattern Summarisation Using Code Features
• Title（参考訳）: DPS: コード機能を使ったデザインパターンの要約
• Authors: Najam Nazar, Sameer Sikka, Christoph Treude,
• Abstract要約: Java と NLG ライブラリを使って,ソフトウェア設計パターンの要約を生成する。 我々の要約は人間による要約と密接に一致している。 フォローアップ調査では、DPSサマリーは人為的なサマリーよりもコンテキストを捉えていると評価された。
• 参考スコア（独自算出の注目度）: 8.24515384844758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic summarisation has been used efficiently in recent years to condense texts, conversations, audio, code, and various other artefacts. A range of methods, from simple template-based summaries to complex machine learning techniques -- and more recently, large language models -- have been employed to generate these summaries. Summarising software design patterns is important because it helps developers quickly understand and reuse complex design concepts, thereby improving software maintainability and development efficiency. However, the generation of summaries for software design patterns has not yet been explored. Our approach utilises code features and JavaParser to parse the code and create a JSON representation. Using an NLG library on this JSON representation, we convert it into natural language text that acts as a summary of the code, capturing the contextual information of the design pattern. Our empirical results indicate that the summaries generated by our approach capture the context in which patterns are applied in the codebase. Statistical evaluations demonstrate that our summaries closely align with human-written summaries, as evident from high values in the ROUGE-L, BLEU-4, NIST, and FrugalScore metrics. A follow-up survey further shows that DPS summaries were rated as capturing context better than human-generated summaries.
• Abstract（参考訳）: 近年では、テキスト、会話、音声、コード、その他様々なアーティファクトを凝縮するために、自動要約が効果的に使われている。 単純なテンプレートベースの要約から複雑な機械学習技術、そして最近では大規模な言語モデルまで、さまざまな手法が、これらの要約を生成するために使われています。 ソフトウェア設計パターンの要約は、複雑な設計概念を素早く理解し再利用し、ソフトウェア保守性と開発効率を向上させるために重要である。 しかし、ソフトウェア設計パターンの要約の生成はまだ検討されていない。 このアプローチでは、コード機能とJavaParserを使用して、コードを解析し、JSON表現を作成します。 このJSON表現上のNLGライブラリを使用して、コードの要約として機能する自然言語テキストに変換し、デザインパターンのコンテキスト情報をキャプチャします。 我々の経験的結果は、我々のアプローチによって生成された要約が、コードベースにパターンが適用されるコンテキストを捉えていることを示している。 統計的評価から,我々の要約は,ROUGE-L,BLEU-4,NIST,FrugalScoreの指標値から明らかなように,人間による要約と密接に一致していることが示された。 フォローアップ調査では、DPSサマリーは人為的なサマリーよりもコンテキストを捉えていると評価された。

関連論文リスト

• Towards Leveraging Large Language Model Summaries for Topic Modeling in Source Code [0.0]
  大規模言語モデル (LLM) は、プログラムの理解能力を示す。 トランスフォーマーベースのトピックモデリング技術は、テキストから意味情報を抽出する効果的な方法を提供する。 本稿では,Pythonプログラムのコーパス内で意味のあるトピックを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-24T10:30:40Z)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CoCoRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• Consistency Evaluation of News Article Summaries Generated by Large (and Small) Language Models [0.0]
  大言語モデル (LLMs) は、流動的な抽象的な要約を生成することを約束しているが、ソーステキストに基づかない幻覚的な詳細を生成することができる。 本稿では,TextRank,BART,Mistral-7B-Instruct,OpenAI GPT-3.5-Turboなど,さまざまな手法を用いてテキスト要約の探索を行う。 XL-Sumデータセットでテストすると,すべての要約モデルが一貫した要約を生成することがわかった。
  論文  参考訳（メタデータ） (2025-02-28T01:58:17Z)
• Contextualized Data-Wrangling Code Generation in Computational Notebooks [131.26365849822932]
  我々は、マルチモーダルなコンテキスト依存を明確にしたデータラングリングコード生成例をマイニングするために、CoCoMineという自動アプローチを提案する。 コンテクスト化されたデータラングリングコード生成のための58,221のサンプルを含むデータセットであるCoCoNoteをNotebooksで構築する。 実験結果は、データラングリングコード生成にデータコンテキストを組み込むことの重要性を示す。
  論文  参考訳（メタデータ） (2024-09-20T14:49:51Z)
• Towards Enhancing Coherence in Extractive Summarization: Dataset and Experiments with LLMs [70.15262704746378]
  我々は,5つの公開データセットと自然言語ユーザフィードバックのためのコヒーレントな要約からなる,体系的に作成された人間アノテーションデータセットを提案する。 Falcon-40BとLlama-2-13Bによる予備的な実験では、コヒーレントなサマリーを生成するという点で大幅な性能向上(10%ルージュ-L)が見られた。
  論文  参考訳（メタデータ） (2024-07-05T20:25:04Z)
• CodeExp: Explanatory Code Document Generation [94.43677536210465]
  既存のコード・トゥ・テキスト生成モデルは、コードの高レベルな要約のみを生成する。 我々は、コードのための高品質な説明記述の基準を特定するために、人間の研究を行う。 タスクのための多段階微調整戦略とベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-25T18:05:44Z)
• An Extractive-and-Abstractive Framework for Source Code Summarization [28.553366270065656]
  コード要約は、自然言語の形式で与えられたコードスニペットの要約/記事を自動的に生成することを目的としている。 そこで本研究では,人文的な要約を生成できる新しい抽出・抽象的枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-15T02:14:24Z)
• Automated News Summarization Using Transformers [4.932130498861987]
  我々は,テキスト要約のためのトランスフォーマーアーキテクチャに基づく事前学習モデルについて,包括的に比較する。 分析と比較のために,要約や人為的な要約に使用できるテキストデータを含むBBCニュースデータセットを用いた。
  論文  参考訳（メタデータ） (2021-04-23T04:22:33Z)
• Learning to Synthesize Data for Semantic Parsing [57.190817162674875]
  本稿では,プログラムの構成をモデル化し,プログラムを発話にマップする生成モデルを提案する。 PCFGと事前学習されたBARTの簡易性により,既存のデータから効率的に生成モデルを学習することができる。 GeoQuery と Spider の標準ベンチマークで解析する text-to-Query の in-domain と out-of-domain の両方で、この手法を評価します。
  論文  参考訳（メタデータ） (2021-04-12T21:24:02Z)
• Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward [42.925345819778656]
  本稿では,グラフ拡張と意味駆動型RewarDによる抽象要約のための新しいフレームワークであるASGARDを紹介する。 本稿では,2つのエンコーダ(シーケンシャル文書エンコーダ)とグラフ構造化エンコーダ(グラフ構造化エンコーダ)の利用を提案する。 その結果、我々のモデルは、New York TimesとCNN/Daily Mailのデータセットからの入力として、知識グラフのない変種よりもはるかに高いROUGEスコアを生成することがわかった。
  論文  参考訳（メタデータ） (2020-05-03T18:23:06Z)
• A Transformer-based Approach for Source Code Summarization [86.08359401867577]
  コードトークン間のペア関係をモデル化することにより,要約のためのコード表現を学習する。 アプローチは単純であるにもかかわらず、最先端技術よりもかなりの差があることが示される。
  論文  参考訳（メタデータ） (2020-05-01T23:29:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。