用于提交消息生成的多粒度上下文代码表示学习

基于摘要分析。该研究针对代码与自然语言之间的语义、结构差异导致的提交消息生成困难，提出多粒度上下文代码表示学习方法 COMU，通过结合代码行级与抽象语法树（AST）级的变更信息，生成描述代码修改的自然语言提交消息。 方法包含 Code_Diff 与 AST_Diff 两类表示。在 Code_Diff 中，作者构建变更代码的全局上下文语义信息，并使用三种不同 token 标记代码行的变更状态；摘要未列出这些 token 的具体含义。在 AST_Diff 中，作者从源代码变更中提取结构信息，并结合四类编辑操作，显式关注发生修改部分的细节。其研究重点是同时利用上下文语义与结构化编辑信息，而不是仅依据单一粒度的代码变化生成文本；具体融合机制、训练目标及推理流程尚未验证。 作者还构建了用于实验的数据集，理由是现有公开数据对该任务的支持仍不充分。摘要表达了发布数据集对研究的潜在贡献，但未确认数据集已公开，也未提供规模、编程语言、划分方案或获取方式。作者报告，实验评估与人工研究均显示 COMU 优于基线模型；摘要未给出基线名称、评价指标、提升幅度及人工研究协议，因此目前无法判断收益大小和适用范围。实验协议、消融及统计信息尚未验证。 本研究的主要对象是软件代码变更与提交消息生成，其机制依赖代码行、AST 及编辑操作等结构化信息。材料未提供这些结构与 EEG/BCI 任务之间的具体对应关系，不能据此将其视为已验证的神经信号表示学习方法。