Обзор методов глубокого обучения для суммаризации кода

Обзор методов глубокого обучения для суммаризации кода

Валеев А.И. (Университет Иннополис, Иннополис, Россия)
Коршук А.О. (Университет Иннополис, Иннополис, Россия)
Иванов В.В. (Университет Иннополис, Иннополис, Россия)

Аннотация

Глубокие нейронные модели стали передовым подходом в задаче суммаризации кода. До эпохи больших языковых моделей многие специализированные модели применяли различные методы для улучшения базовых моделей преобразования последовательностей, используя структуру кода, за счёт сходства фрагментов кода и их описаний, а также применяя многозадачное обучение. В данном обзоре выделяются ключевые архитектурные компоненты этих методов и предлагается их таксономия. Также описывается, как разные модели используют один и тот же метод или как одна модель сочетает несколько методов. Кроме того, мы обсуждаем текущие недостатки этих моделей, потенциальные направления дальнейших исследований и применимость больших языковых моделей в задаче суммаризации кода, сравнивая их с рассмотренными подходами.

Ключевые слова

суммаризация кода; трансформер; рекуррентные нейронные сети; энкодер; декодер; глубокое обучение.

Издание

Труды Института системного программирования РАН, том 38, вып. 4, часть 1, 2026, стр. 101-134.

ISSN 2220-6426 (Online), ISSN 2079-8156 (Print).

DOI: 10.15514/ISPRAS-2026-38(4)-6

Для цитирования

Валеев А.И., Коршук А.О., Иванов В.В. Обзор методов глубокого обучения для суммаризации кода. Труды Института системного программирования РАН, том 38, вып. 4, часть 1, 2026, стр. 101-134. DOI: 10.15514/ISPRAS-2026-38(4)-6.

Полный текст статьи в формате pdf (на английском) Вернуться к содержанию тома