ترجمه فارسی مقاله آیسینگ روی کیک: خلاصه سازی خودکار کد در اریکسون

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Icing on the Cake: Automatic Code Summarization at Ericsson
عنوان مقاله به فارسی آیسینگ روی کیک: خلاصه سازی خودکار کد در اریکسون
نویسندگان Giriprasad Sridhara, Sujoy Roychowdhury, Sumit Soman, Ranjani H G, Ricardo Britto
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Software Engineering,Machine Learning,مهندسی نرم افزار , یادگیری ماشین ,
توضیحات Submitted 19 August, 2024; originally announced August 2024. , Comments: 16 pages, 6 tables, 4 figures. Accepted at the 2024 International Conference on Software Maintenance and Evolution (ICSME) 2024 - Industry Track , MSC Class: 68U99 ACM Class: D.2.3
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 16 صفحه ، 6 جدول ، 4 شکل.پذیرفته شده در کنفرانس بین المللی 2024 در مورد نگهداری و تکامل نرم افزار (ICSME) 2024 - آهنگ صنعت ، کلاس MSC: کلاس ACM 68U99: D.2.3
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper presents our findings on the automatic summarization of Java methods within Ericsson, a global telecommunications company. We evaluate the performance of an approach called Automatic Semantic Augmentation of Prompts (ASAP), which uses a Large Language Model (LLM) to generate leading summary comments for Java methods. ASAP enhances the $LLM's$ prompt context by integrating static program analysis and information retrieval techniques to identify similar exemplar methods along with their developer-written Javadocs, and serves as the baseline in our study. In contrast, we explore and compare the performance of four simpler approaches that do not require static program analysis, information retrieval, or the presence of exemplars as in the ASAP method. Our methods rely solely on the Java method body as input, making them lightweight and more suitable for rapid deployment in commercial software development environments. We conducted experiments on an Ericsson software project and replicated the study using two widely-used open-source Java projects, Guava and Elasticsearch, to ensure the reliability of our results. Performance was measured across eight metrics that capture various aspects of similarity. Notably, one of our simpler approaches performed as well as or better than the ASAP method on both the Ericsson project and the open-source projects. Additionally, we performed an ablation study to examine the impact of method names on Javadoc summary generation across our four proposed approaches and the ASAP method. By masking the method names and observing the generated summaries, we found that our approaches were statistically significantly less influenced by the absence of method names compared to the baseline. This suggests that our methods are more robust to variations in method names and may derive summaries more comprehensively from the method body than the ASAP approach.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یافته های ما در مورد خلاصه خودکار روشهای جاوا در اریکسون ، یک شرکت جهانی ارتباطات ارائه شده است.ما عملکرد یک رویکرد به نام افزایش معنایی اتوماتیک از اعلان ها (ASAP) را ارزیابی می کنیم ، که از یک مدل بزرگ زبان (LLM) برای تولید نظرات خلاصه پیشرو برای روش های جاوا استفاده می کند.ASAP با ادغام تکنیک های تجزیه و تحلیل برنامه استاتیک و بازیابی اطلاعات برای شناسایی روشهای نمونه مشابه به همراه Javadocs که توسعه دهنده آنها را شناسایی می کند ، زمینه سریع $ LLM را افزایش می دهد و به عنوان اصلی در مطالعه ما عمل می کند.در مقابل ، ما عملکرد چهار رویکرد ساده تر را که نیازی به تجزیه و تحلیل برنامه استاتیک ، بازیابی اطلاعات یا وجود نمونه ها مانند روش ASAP ندارند ، کشف و مقایسه می کنیم.روشهای ما صرفاً به بدنه روش جاوا به عنوان ورودی متکی هستند و آنها را سبک و مناسب تر برای استقرار سریع در محیط های توسعه نرم افزار تجاری می کند.ما آزمایشاتی را در مورد یک پروژه نرم افزاری Ericsson انجام دادیم و این مطالعه را با استفاده از دو پروژه جاوا با استفاده گسترده از منبع باز ، Guava و Elasticsearch ، برای اطمینان از قابلیت اطمینان نتایج ما انجام دادیم.عملکرد در هشت معیار اندازه گیری شد که جنبه های مختلفی از شباهت را ضبط می کند.نکته قابل توجه ، یکی از رویکردهای ساده تر ما و همچنین بهتر از روش ASAP در پروژه اریکسون و پروژه های منبع باز است.علاوه بر این ، ما یک مطالعه فرسایش را برای بررسی تأثیر نام های روش در نسل خلاصه Javadoc در چهار رویکرد پیشنهادی ما و روش ASAP انجام دادیم.با پوشش دادن نام روش و مشاهده خلاصه های تولید شده ، دریافتیم که رویکردهای ما از نظر آماری به طور قابل توجهی کمتر از عدم وجود نام روش در مقایسه با پایه تحت تأثیر قرار گرفته است.این نشان می دهد که روشهای ما نسبت به تغییرات در نام روشها قوی تر هستند و ممکن است خلاصه ای را از روش روش به طور جامع تر از روش ASAP بدست آورند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.