Page 122 - 《软件学报》2026年第2期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(2):601−620 [doi: 10.13328/j.cnki.jos.007470] [CSTR: 32375.14.jos.007470] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
基于语义重排序的代码注释生成方法

李 重 1,2 , 施超煊 1,3 , 潘敏学 1,2 , 张 天 1,3 , 王林章 1,3 , 李宣东 1,3

1
(计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210023)
2
(南京大学 软件学院, 江苏 南京 210093)
3
(南京大学 计算机学院, 江苏 南京 210023)
通信作者: 张天, E-mail: ztluck@nju.edu.cn

摘 要: 代码注释是对源代码功能的自然语言描述, 其可以帮助开发人员快速地理解代码语义及功能, 从而提高软
件开发和维护的效率. 然而, 书写与维护代码注释费时费力, 导致代码注释经常出现缺失、不匹配以及过时等问题.
因此, 如何自动化地为源代码生成注释引起了大量研究人员的关注. 现有方法通常利用信息检索技术或深度学习
技术来进行代码注释自动生成, 但这二者均存在自身的一些局限. 目前已有一些对信息检索技术和深度学习技术
进行集成的研究工作, 但它们无法有效利用这两种技术优势. 针对这些问题, 提出一种基于语义重排序的代码注释
生成方法 SRBCS, 该方法通过语义重排序模型对不同方法所生成代码注释进行排序选择来实现代码注释生成, 从
而在实现对不同方法集成的同时最大化地利用不同方法在代码注释生成上的优势. 在两个数据集上将 SRBCS 与
14 种代码注释生成方法进行比较. 实验评估结果表明 SRBCS 可以有效地对不同代码注释生成方法进行集成, 实
现了优于现有 14 种代码注释生成方法的性能.
关键词: 代码注释生成; 语义重排序模型; 对比学习
中图法分类号: TP311

中文引用格式: 李重, 施超煊, 潘敏学, 张天, 王林章, 李宣东. 基于语义重排序的代码注释生成方法. 软件学报, 2026, 37(2): 601–620.
http://www.jos.org.cn/1000-9825/7470.htm
英文引用格式: Li Z, Shi CX, Pan MX, Zhang T, Wang LZ, Li XD. Code Comment Generation Method Based on Semantic Reranking.
Ruan Jian Xue Bao/Journal of Software, 2026, 37(2): 601–620 (in Chinese). http://www.jos.org.cn/1000-9825/7470.htm
Code Comment Generation Method Based on Semantic Reranking

1,2
1,3
1,3
1,3
1,2
LI Zhong , SHI Chao-Xuan , PAN Min-Xue , ZHANG Tian , WANG Lin-Zhang , LI Xuan-Dong 1,3
1
(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023, China)
2
(Software Institute, Nanjing University, Nanjing 210093, China)
3
(School of Computer Science, Nanjing University, Nanjing 210023, China)
Abstract: Code comments serve as natural-language descriptions of the source code functionality, helping developers quickly understand
the code’s semantics and functionality, thus improving software development and maintenance efficiency. However, writing and
maintaining code comments is time-consuming and labor-intensive, often leading to issues such as absence, inconsistency, and
obsolescence. Therefore, the automatic generation of comments for source code has attracted significant attention. Existing methods
typically use information retrieval techniques or deep learning techniques for automatic code comment generation, but both have their
limitations. Some research has integrated these two techniques, but such approaches often fail to effectively leverage the advantages of
both methods. To address these issues, this study proposes a semantic reranking-based code comment generation method, SRBCS. SRBCS
employs a semantic reranking model to rank and select comments generated by various approaches, thus integrating multiple methods and

* 基金项目: 国家自然科学基金 (62402214, 62372227, 62232014); 江苏省自然科学基金 (BK20241194)
收稿时间: 2024-12-16; 修改时间: 2025-02-05, 2025-04-07; 采用时间: 2025-05-11; jos 在线出版时间: 2025-09-17
CNKI 网络首发时间: 2025-09-18