論文の概要: ComBeautify: Leveraging Code Change Summaries for Conventional Commit Generation

• arxiv url: http://arxiv.org/abs/2610.34374v1
• Date: Sun, 25 Oct 2026 15:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.585372
• Title: ComBeautify: Leveraging Code Change Summaries for Conventional Commit Generation
• Title（参考訳）: ComBeautify: 従来のコミット生成にコード変更サマリを活用する
• Abstract要約: 従来のCommits Specification(CCS)は、開発者が変更の意図を表現するのに役立つ。 開発者はフォーマットを固執しながら意図を表現するのに苦労する。 我々はCCS準拠のコミットメッセージを自動的に生成するアプローチであるComBeautifyを紹介する。
• 参考スコア（独自算出の注目度）: 1.8757823231879849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern software development relies on version control systems such as Git to track changes and facilitate collaboration. While commit messages are crucial for conveying developer intent, they do not affect program functionality; as a result, developers often lack motivation to write meaningful ones. The Conventional Commits Specification (CCS) addresses this with a structured format and guidelines that help developers express the intent of a change, improving clarity and enabling automation. Yet, developers frequently struggle to express intent while adhering to the format. In particular, they may misclassify commits due to the large number of possible categories or the lack of project-specific guidance. We introduce ComBeautify, an approach that automatically generates CCS-compliant commit messages. Our hybrid approach leverages context-preserving summarization of Git diffs with large language models (LLMs) to improve commit classification accuracy under CCS. Rather than relying on manually curated category definitions, we learn them from historical commits. We also propose a method for automatically generating the CCS description component. Our empirical evaluation across 13 languages, 6,500 open-source repositories, and over 20 million commits provides long-term insights into CCS adoption, revealing increasing compliance. Our evaluation on twenty popular repositories reveals the limitations of approaches guided by generic category definitions, and shows that ComBeautify, when trained on project-specific data, outperforms baselines by up to 3x. Additionally, using a dataset of 2,000 manually curated commits, we validate our summarization approach, achieving up to 95.25% accuracy and surpassing baselines. These findings emphasize the need for adaptable, context-aware AI methods for commit classification and CCS-compliant commit message generation.
• Abstract（参考訳）: 現代のソフトウェア開発は、変更を追跡し、コラボレーションを促進するために、Gitのようなバージョン管理システムに依存している。 コミットメッセージは開発者の意図を伝えるのに不可欠だが、それらはプログラム機能に影響を与えない。 Conventional Commits Specification (CCS)は、開発者が変更の意図を表現し、明確性を改善し、自動化を可能にするための構造化フォーマットとガイドラインでこの問題に対処する。 しかし、開発者はフォーマットを固執しながら意図を表現するのに苦労することが多い。 特に、考えられるカテゴリの多さや、プロジェクト固有のガイダンスの欠如により、コミットを誤分類する可能性がある。 我々はCCS準拠のコミットメッセージを自動的に生成するアプローチであるComBeautifyを紹介する。 当社のハイブリッドアプローチでは,大規模言語モデル(LLM)によるGit diffのコンテキスト保存要約を活用して,CCSによるコミット分類精度を向上させる。 手作業でキュレートされたカテゴリ定義に頼るのではなく、過去のコミットからそれらを学ぶ。 また,CCS記述部品を自動生成する手法を提案する。 13の言語、6500のオープンソースリポジトリ、2000万以上のコミットに関する実証的な評価によって、CCSの採用に関する長期的な洞察が得られ、コンプライアンスが向上しています。 20の一般的なリポジトリに対する評価では,一般的なカテゴリ定義によってガイドされるアプローチの限界が示され,ComBeautifyがプロジェクト固有のデータに基づいてトレーニングされた場合,ベースラインを最大3倍に向上することを示す。 さらに、2000のマニュアルでキュレートされたコミットのデータセットを使用して、要約アプローチを検証し、95.25%の精度でベースラインを超えます。 これらの知見は、コミット分類とCS準拠のコミットメッセージ生成のための適応的でコンテキスト対応のAIメソッドの必要性を強調している。

関連論文リスト

• CoCoRerank: Towards Conventional Commit Message Generation by Component and Candidate Consistency Reranking [12.218676847320188]
  従来型のコミットメッセージ生成を,CCSフォーマットで検討した。 オープンソースGitHubリポジトリから収集した86,688の高品質コミットの新しいベンチマークを構築します。 LLM生成のための2次元整合性に基づくフレームワークCoCoRerankを提案する。
  論文  参考訳（メタデータ） (2026-09-25T08:04:37Z)
• CommitSuite: A Comprehensive Benchmark for Commit Classification and Message Generation [11.442726319591488]
  CommitSuiteは、7つのプログラミング言語にわたる243のオープンソースリポジトリから63,533のCS準拠のコミットからなるベンチマークである。 実験の結果,LLMは生成と評価の両方を効果的に支援でき,評価は人的判断に対して0.849コーエンのカッパ合意を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-05-04T06:06:57Z)
• SWE-Compass: Towards Unified Evaluation of Agentic Coding Abilities for Large Language Models [59.90381306452982]
  ソフトウェアエンジニアリングのための大規模言語モデル(LLM)の評価は、タスクカバレッジの狭さ、言語バイアス、現実世界の開発者との整合性の不足によって制限されている。 SWE-1は、不均一なコード関連評価を構造化および生産整合性のあるフレームワークに統合する包括的なベンチマークである。 SWE-は8つのタスクタイプ、8つのプログラミングシナリオ、10のプログラミング言語にまたがる。
  論文  参考訳（メタデータ） (2025-11-07T18:01:32Z)
• Brevity is the Soul of Wit: Condensing Code Changes to Improve Commit Message Generation [21.625755841132733]
  生成前にコード変更を凝縮する方法を提案する。 最初に、ChangeScribeというツールの助けを借りて提案したテンプレートを使って、コードの変更をコンデンスします。 我々の手法はBLEU-Norm, METEOR, ROUGE-Lの6つのベースラインより優れている。
  論文  参考訳（メタデータ） (2025-09-19T04:04:28Z)
• Contextual Code Retrieval for Commit Message Generation: A Preliminary Study [18.46986692375691]
  コミットメッセージはコミットの主要なコード変更を記述し、ソフトウェアメンテナンスにおいて重要な役割を果たす。 既存のコミットメッセージ生成アプローチでは、コード差分を入力し、短い記述文を出力として生成する、直接マッピングとしてフレーム化するのが一般的である。 原コード差分は、高品質なコミットメッセージを生成するのに必要な完全なコンテキストをキャプチャできないため、コード差分のみに依存することは不十分である、と私たちは主張する。
  論文  参考訳（メタデータ） (2025-07-23T16:54:57Z)
• SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
  We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。 従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-05-29T18:28:02Z)
• SVTRv2: CTC Beats Encoder-Decoder Models in Scene Text Recognition [77.28814034644287]
  テキストの不規則性や言語コンテキストのモデル化が可能なCTCモデルであるSVTRv2を提案する。 我々は,SVTRv2を標準ベンチマークと最近のベンチマークの両方で広範囲に評価した。 SVTRv2は精度と推論速度の点でほとんどのEDTRを超越している。
  論文  参考訳（メタデータ） (2024-11-24T14:21:35Z)
• Commit Messages in the Age of Large Language Models [0.9217021281095906]
  コード変更に基づいてコミットメッセージを生成するOpenAIのChatGPTの性能を評価する。 本稿では、ChatGPTを用いて得られた結果と、コミットデータに特化して訓練された以前の自動コミットメッセージ生成手法を比較した。
  論文  参考訳（メタデータ） (2024-01-31T06:47:12Z)
• From Commit Message Generation to History-Aware Commit Message Completion [49.175498083165884]
  コミットメッセージ生成からコミットメッセージ補完に焦点を移すことができれば、結果のコミットメッセージの品質と個人的な性質を大幅に改善できる、と私たちは論じています。 既存のデータセットには履歴データがないため、20のプログラミング言語で107万のコミットを含むCommitChronicleと呼ばれる新しいデータセットを収集、共有しています。 以上の結果から,コミットメッセージ補完は生成よりも優れた結果を示し,一般的にはGPT-3.5-turboはより悪い性能を示すが,長大かつ詳細なメッセージの可能性を示唆している。
  論文  参考訳（メタデータ） (2023-08-15T09:10:49Z)

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。