文档核心要点提炼
1. 研究背景与问题
代码摘要（将源码生成自然语言描述）对程序理解、软件维护至关重要。传统编码器-解码器模型中，抽象语法树（AST）因能编码代码结构，显著提升摘要质量；但大语言模型（LLM）的 code summarization 方法多依赖原始代码或仅用部分AST信号（如数据/控制流边、标记标识符），完整AST的潜力未被充分探索。
核心研究问题（RQ）：LLM微调时，序列化AST能否达到与代码序列相当或更好的方法级摘要质量？
2. 关键定义
序列化AST：通过树节点遍历将AST转为线性序列（LLM兼容）；
代码序列：无显式结构信息的tokenized源码；
方法级摘要：为单个函数/方法生成单句自然语言描述。
3. 方法：AST(NIT)
提出AST增强与序列化方法AST(NIT)，解决传统AST的两大缺陷（丢失词汇细节、结构不匹配LLM），流程分两步：
（1）AST增强
词汇注入：将标识符（如变量名
balance）、字面量（如0）注入终端节点，并细化节点类型（如函数定义中的identifier→function_name，赋值中的identifier→variable）；结构归一化：移除无语义的未命名节点（如逗号、括号），将操作符（如
+）嵌入节点值（如binary_operator:+），减少树规模（如Listing 1的AST节点从41→27）。
（2）AST序列化：Node-Index Traversal (NIT)
通过深度优先（DFS）前序遍历将增强后的AST转为线性序列，每个节点记录为固定字段元组（用分号分隔）：
字段：ID（全局唯一索引）、Type（节点类型）、Value（可选，词汇内容）、Children（可选，子节点ID列表）。
优势：显式编码结构（父子/嵌套关系），兼容LLM的序列处理。
4. 实验设计
数据集：CodeXGLUE Python子集（清洗后：30227训练、2771验证、3097测试）；
模型：LLaMA-3.1-8B（4-bit量化，LoRA微调，参数高效）；
输入表示对比：Code（原始代码）、AST(Preorder)（未增强的前序遍历）、AST(SBT)（经典结构遍历）、AST(NIT)（本文方法）；
评估指标：BLEU-4（n-gram精度）、METEOR（语义匹配）、ROUGE-L（最长公共子序列）、BERTScore（语义嵌入相似度）；
效率指标：平均输入长度、总训练token数、训练时间、峰值内存。
5. 实验结果
（1）摘要质量：AST(NIT)与Code相当，远优于AST(Preorder)
Code与AST(NIT)的所有指标几乎一致（如BLEU-4：23.48 vs 23.07；BERTScore F1：0.92 vs 0.92）；
AST(Preorder)因丢失词汇细节（如
balance→identifier、0→integer），性能骤降（BLEU-4仅11.75，BERTScore F1 0.89）；AST(SBT)与AST(NIT)质量相当，但效率更低。
（2）效率：AST(NIT)优于AST(SBT)
AST(NIT)比AST(SBT)平均输入长度短28.6%（470.92 vs 659.17 tokens）、训练时间少11.3%（11.81 vs 13.32小时），峰值内存相同（11.50GB）；
原因：AST(NIT)的紧凑元组设计避免了SBT的重复类型标记和括号嵌套。
（3）定性分析
保留词汇的表示（Code、AST(NIT)、AST(SBT)）生成的摘要更准确（如Listing 2的“删除临时文件” vs AST(Preorder)的“删除目录”）；
AST(NIT)的摘要与Code的准确性和细节相当。
6. 讨论与结论
核心发现：LLM微调时，序列化AST（如AST(NIT)）的摘要质量与代码序列相当；且AST(NIT)比经典SBT更高效。
原因解释：LLM的大规模预训练可能已内化代码的结构/语义信息，或预训练数据包含基准数据，导致AST的额外结构信号未显式提升性能。
结论：AST(NIT)是一种高效的AST序列化方法，为LLM的code summarization提供了结构化的替代输入，且质量不逊于原始代码。
7. 未来工作
验证AST(NIT)在其他编程语言、数据集、LLM变体上的通用性；
探索AST(NIT)在语义代码聚类、软件模块化等任务中的应用；
补充人类评估以 complement 自动指标。
关键贡献：
提出AST(NIT)：保留词汇细节、编码结构的LLM兼容AST序列化方法；
系统评估完整序列化AST作为LLM输入的效果，证明其与代码序列的等价性；
验证AST(NIT)比经典SBT更高效（更短输入、更少训练时间）。
)
