Методы и алгоритмы автоматической генерации сообщений к коммитам для повышения качества сопровождения программных систем тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Косьяненко Иван Александрович

• Косьяненко Иван Александрович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Косьяненко Иван Александрович

ВВЕДЕНИЕ

1 Предметная область, нормативные основания и постановка проблемы

1.1 Предметная область и роль сопровождения в жизненном цикле программных систем

1.2 Системы контроля версий и документирование изменений

1.2.1 Коммит как запись об изменении

1.2.2 Сообщение к коммиту

1.2.3 Автоматизация формирования сообщений к коммитам

1.2.4 Анализ методов автоматизации формирования сообщений к коммитам

1.2.5 Соотнесение терминов систем контроля версий с национальными стандартами

1.3 Проблемы документирования изменений и нормативные требования к сопровождаемости

1.3.1 Эволюция нормативной базы сопровождаемости программных средств

1.3.2 Сопровождаемость в контексте современных стандартов качества программных средств

1.3.3 Влияние качества документирования изменений на метрики сопровождаемости

1.4 Систематические дефекты документирования изменений в промышленной практике разработки

1.5 Методы автоматизации формирования сообщений к коммитам

1.5.1 Методы, основанные на правилах

1.5.2 Методы на основе поиска соответствующих примеров

1.5.3 Методы, основанные на обучении генеративных моделей

1.5.4 Гибридные методы с извлечением существенного контекста

1.5.5 Сравнительный анализ методов автоматизации генерации сообщений

к коммитам

1.6 Иерархические представления программных систем в пространствах отрицательной кривизны

1.6.1 Иерархическая организация конфигурации и локализация изменений

1.6.2 Обзор исследований по гиперболическому представлению иерархий

1.6.3 Область применимости и ограничения гиперболических представлений

1.7 Проблема повышения качества сопровождения программных систем

1.7.1 Роль документирования изменений в процессе сопровождения

1.7.2 Влияние на подхарактеристики сопровождаемости

1.7.3 Отсутствие формализованных требований к документированию

1.7.4 Научная проблема и новизна решения

1.7.5 Область применимости и допущения

1.8 Выводы по главе

2 Теоретико-математические основы генерации сообщений к коммитам

2.1 Формальная постановка задачи генерации сообщений к коммитам

2.1.1 Математическая модель пространства изменений программного кода

2.1.2 Семантическое векторное представление разностных правок

2.1.3 Значение иерархического контекста при формировании сообщений

к коммитам

2.2 Выбор геометрической модели для структурного кодирования изменений

2.2.1 Ограничения евклидовых вложений при отображении иерархий

2.2.2 Гиперболическое пространство Пуанкаре как рациональная модель для иерархических данных

2.3 Гиперболические представления структуры программного проекта

2.3.1 Метрические свойства модели Пуанкаре и их интерпретация

2.3.2 Радиальная параметризация глубины элемента иерархии

2.3.3 Вычисление гиперболического центроида множества изменений

2.4 Структурно-семантическое переранжирование при отборе примеров-кандидатов

2.4.1 Семантическая мера сходства коммитов

2.4.2 Структурная мера сходства коммитов в гиперболическом пространстве

2.4.3 Комбинирование семантической и структурной оценок релевантности

2.5 Регуляризационные механизмы и адаптивные параметры модели

2.5.1 Регуляризация соотношения «глубина — норма» по методу Спирмена

2.5.2 Адаптивная параметризация веса структурного компонента

2.5.3 Адаптация геометрии пространства вложения: обучаемая кривизна гиперболической метрики

2.6 Комплексная система метрик для оценки качества генерации

2.6.1 Нормативная интерпретация связи метрик качества генерации

и характеристик сопровождаемости

2.7 Сводная математическая схема процесса генерации сообщений к коммитам121

2.8 Результаты и выводы по главе

3 Программная реализация структурно-семантической модели генерации сообщений к коммитам

3.1 Постановка задачи и методологические аспекты реализации

3.2 Формирование и предварительная обработка экспериментального корпуса данных

3.2.1 Методология сбора и источники данных

3.2.2 Очистка и фильтрация данных

3.2.3 Структурный анализ и извлечение путей файлов

3.2.4 Формирование экспериментального набора данных

3.3 Архитектура и программная реализация системы RAG-Hyp

3.3.1 Архитектура системы

3.3.2 Компонент семантического кодирования

3.3.3 Компонент структурного кодирования

3.3.4 Ядро RAG с механизмом переранжирования

3.3.5 Соответствие архитектуры требованиям ГОСТ Р ИСО/МЭК 25010—2015 по характеристикам качества

3.4 Реализация ключевых алгоритмов гиперболической геометрии

3.4.1 Реализация базовых операций гиперболической геометрии

3.4.2 Алгоритм вычисления представления пути файла

3.4.3 Алгоритм вычисления гиперболического центроида

3.4.4 Аспекты вычислительной эффективности

3.5 Реализация адаптивных механизмов модели

3.5.1 Реализация обучаемой кривизны гиперболического пространства

3.5.2 Реализация адаптивного веса переранжирования

3.5.3 Реализация регуляризации Спирмена

3.5.4 Общий процесс обучения с адаптивными компонентами

3.6 Средства реализации и вычислительное окружение

3.6.1 Программное обеспечение и библиотеки

3.6.2 Аппаратное обеспечение и вычислительная инфраструктура

3.7 Выводы по главе

4 Экспериментальная валидация и анализ эффективности структурно-семантической модели

4.1 Цели и методология экспериментального исследования

4.1.1 Методология проведения экспериментов

4.2 Метрики оценки качества

4.2.1 Статистическая методология

4.2.2 Процессные индикаторы сопровождаемости

4.3 Настройки обучения и вычислительная среда

4.4 Экспериментальные исследования

4.4.1 Эксперимент 1: RAG-Hyp с LCA-агрегацией в двумерном гиперболическом пространстве

4.4.2 Эксперимент 2: Базовая модель RAG (эталонная конфигурация)

4.4.3 Эксперимент 3: RAG-Hyp с центроидной агрегацией в двумерном пространстве

4.4.4 Эксперимент 4: RAG-Hyp с центроидной агрегацией в десятимерном пространстве

4.4.5 Эксперимент 5: RAG-Hyp с оптимизацией по метрике ROUGE-L

4.4.6 Эксперимент 6: RAG-Hyp с взвешенной центроидной агрегацией

4.4.7 Эксперимент 7: RAG-Hyp с многокомпонентным нелинейным комбинированием

4.4.8 Эксперимент 8: RAG-Hyp со стабилизированным алгоритмом центроидов

4.4.9 Эксперимент 9. Производственная конфигурация с ранней остановкой (105 000 записей)

4.4.10 Эксперимент 10: Расширенное обучение без ранней остановки — Итоговые результаты исследования

4.4.11 Абляционный анализ: структурный компонент и стратегии агрегации

4.5 Общий анализ экспериментальных результатов

4.5.1 Сравнительный анализ основных конфигураций

4.5.2 Статистическая значимость различий

4.5.3 Ключевые закономерности

4.5.4 Процессные индикаторы сопровождаемости: результаты

4.6 Сравнение с современными методами генерации сообщений к коммитам

4.7 Дополнительная валидация методом экспертной оценки

4.8 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Список научных источников

ПРИЛОЖЕНИЕ А Сводная схема процесса генерации сообщений к коммитам с

гиперболическим переранжированием

ПРИЛОЖЕНИЕ Б Акт внедрения результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы автоматической генерации сообщений к коммитам для повышения качества сопровождения программных систем»

ВВЕДЕНИЕ

Актуальность темы исследования. Системы контроля версий — ключевой элемент современной разработки программного обеспечения: они позволяют систематически документировать и контролировать изменения в программных системах. Эти инструменты широко применяются при сопровождении программных систем и совместной разработке, где качество фиксации и описания изменений становится важным фактором эффективности командной работы и результатов последующего сопровождения.

В современной практике наиболее распространена система контроля версий Git, предоставляющая механизм документирования изменений с помощью сообщений к коммитам и позволяющая разработчикам описывать внесенные модификации на естественном языке. Эти текстовые описания служат основным средством передачи семантического контекста произведенных изменений между участниками проекта, обеспечивая понимание мотивации, области воздействия и технических особенностей каждой модификации.

Корректность описания внесенных изменений приобретает особую значимость в условиях командной разработки. Авторам изменений необходимо адекватно отражать их контекст, чтобы другие участники процесса (разработчики, рецензенты кода, специалисты по сопровождению) могли точно идентифицировать релевантные версии, понимать логику эволюции системы и эффективно выполнять задачи отладки и сопровождения. Информативные сообщения к коммитам способствуют снижению трудоемкости восстановления контекста изменений и повышению эффективности командной разработки.

Однако исследования показывают, что около 44 % сообщений к коммитам в проектах с открытым исходным кодом не содержат необходимой информации [1], что может указывать на низкое качество документирования изменений. Низкое качество документирования обусловлено сочетанием организационных и человеческих факторов: дефицитом времени в условиях интенсивной разработки,

недостатком опыта формулирования технических описаний, отсутствием единых стандартов документирования изменений и особенностями организации процесса документирования.

Перечисленные факторы обусловили развитие подходов автоматической генерации сообщений к коммитам с применением алгоритмов обработки естественного языка. Такие подходы позволяют выявлять закономерные связи между характеристиками программных изменений и их текстовыми описаниями и использовать их при разработке систем автоматической генерации информативных сообщений. Автоматическая генерация сообщений к коммитам может сокращать временные затраты на документирование изменений и способствовать унификации стиля сообщений в конкретном проекте; при этом качество результата зависит от доступного контекста изменений и принятых в проекте соглашений документирования. Таким образом, актуальны разработка и обоснование методов автоматизации формирования сообщений к коммитам, ориентированных на улучшение характеристик сопровождаемости программных систем и поддержку процессов управления конфигурацией. Экспериментальная валидация предложенного метода и количественные оценки улучшений представлены в главе 4.

Степень разработанности проблемы. Задача автоматической генерации сообщений к коммитам исследуется в рамках различных подходов. Методы нейронного машинного перевода для преобразования разностных представлений в текст на естественном языке предложены в работах S. Jiang и др. [2], P. Loyola и др.

[3]. Методы, основанные на правилах, реализованы в инструментах ChangeScribe

[4] и DeltaDoc [5].

Применение предобученных языковых моделей к задаче генерации сообщений к коммитам исследовано в работах по архитектурам CodeT5 [6], CommitBERT [7], RACE [8]. Эмпирические исследования связи качества сообщений к коммитам с процессными индикаторами представлены в работах [911].

Гиперболические представления иерархических структур разработаны в работах по вложениям Пуанкаре (Poincare embeddings) [12], гиперболическим нейронным сетям [13, 14], графовым сверткам в пространствах постоянной отрицательной кривизны [15, 16]. Методы оптимизации на римановых многообразиях представлены в [17, 18]. В настоящей работе гиперболическая геометрия используется для компактного кодирования иерархии программного проекта (файловых путей) и учета структурной локализации изменений при извлечении контекста, что позволяет учитывать структурный контекст изменений и повышать качество генерации сообщений к коммитам.

Анализ существующих работ позволяет выделить следующие исследовательские ограничения:

- в большинстве работ методы генерации сообщений к коммитам не учитывают иерархическую структуру программного проекта при извлечении контекста;

- не исследовано применение гиперболических представлений в архитектуре генерации, дополненной поиском (RAG) применительно к задаче генерации сообщений к коммитам;

- в имеющихся работах не описаны методы адаптивного комбинирования семантической и структурной релевантности с настройкой геометрических параметров.

Объект и предмет исследования

- объект исследования — процессы сопровождения программных систем, включая документирование изменений в системах контроля версий как компонент управления конфигурацией;

- предмет исследования — методы структурно-семантического переранжирования в архитектурах генерации, дополненной поиском (RAG), для автоматической генерации сообщений к коммитам как артефактов конфигурационной документации, используемых в процессах управления конфигурацией и сопровождения с учетом иерархического контекста.

Исследование выполнено в рамках научной специальности 2.3.5 «Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей»; соответствие предметной области паспорту специальности рассматривается в разделе «Соответствие паспорту специальности».

Цель и задачи исследования. Цель диссертационного исследования — повышение качества сопровождения программных систем путем разработки и обоснования метода автоматизации документирования изменений в системах управления конфигурацией. В настоящей работе качество сопровождения интерпретируется как улучшение подхарактеристик сопровождаемости (анализируемости, модифицируемости и тестируемости) согласно ГОСТ Р ИСО/МЭК 25010—2015 [19] и процедурам оценки качества по ГОСТ Р ИСО/МЭК 25040—2014 [20]. Предлагаемый метод основан на структурно-семантической модели, интегрирующей гиперболические представления иерархии проекта (как математический аппарат компактного моделирования древовидных структур) в архитектуру генерации, дополненной поиском (RAG).

Для достижения поставленной цели в настоящей работе решались следующие задачи:

1. Провести анализ существующих методов автоматической генерации сообщений к коммитам в контексте требований к процессам сопровождения программных систем по ГОСТ Р ИСО/МЭК 12207—2010 [21] и управления конфигурацией по ГОСТ Р ИСО 10007—2019 [22], выявить ограничения современных подходов при учете иерархического структурного контекста изменений и их влияния на характеристики сопровождаемости (см. раздел 1.2.4).

2. Разработать математическую модель представления иерархической структуры программного проекта в гиперболическом пространстве с формализацией отображения файловых путей в диск Пуанкаре и алгоритмов вычисления гиперболических центроидов Фреше, обеспечивающую метрическое соответствие между глубиной элементов и

их представлением для поддержки процессов сопровождения (глава 2, разделы 2.2, 2.3.3).

3. Разработать и обосновать метод структурно-семантического переранжирования в архитектуре генерации, дополненной поиском (RAG), позволяющий адаптивно комбинировать семантическую и структурную релевантность изменений с учетом их локализации в иерархии проекта (параметры с и Я) для повышения анализируемости программных систем в процессах сопровождения по ГОСТ Р ИСО/МЭК 25010—2015 (раздел 2.4.3).

4. Реализовать воспроизводимый программный комплекс RAG-Hyp, включающий компоненты семантического и структурного кодирования, механизм переранжирования с адаптивными параметрами и генеративную подсистему, ориентированный на автоматизацию документирования изменений в процессах сопровождения (глава 3).

5. Провести экспериментальную валидацию на репрезентативном наборе данных в соответствии с процедурами оценки качества по ГОСТ Р ИСО/МЭК 25040—2014, оценив влияние структурного компонента на метрики качества генерации (BLEU, ROUGE, METEOR) и процессные индикаторы сопровождаемости с применением статистических процедур проверки значимости (глава 4).

Научная новизна

- в настоящей работе впервые предложена математическая модель гиперболического структурного представления иерархии программных систем для задачи автоматического документирования изменений в процессах сопровождения (разделы 2.2, 2.3.2). Модель включает детерминированное отображение пути файла Ф(^) в диск Пуанкаре D" с радиальной параметризацией глубины г(1) и гиперболический центроид Фреше ^.(Х) для агрегации множества структурных представлений. Предложенные конструкции обеспечивают монотонность «глубина — норма» и модельную интерпретацию радиальной нормы как параметра,

задающего уровень абстракции описания изменений, что дает формальное основание для учета структурного сигнала при формировании сообщений к коммитам и их интерпретации в терминах анализируемости в процессах сопровождения программных систем;

- в настоящей работе разработан и применен в контуре генерации, дополненной поиском (RAG), критерий структурной релевантности как функция гиперболического (геодезического) расстояния между гиперболическими центроидами изменений с нормированием (раздел 2.4.2) для автоматизации документирования изменений. Также показана его линейная интеграция с семантической релевантностью для повышения информативности сообщений к коммитам в процессах управления конфигурацией и сопровождения программных систем;

- в настоящей работе предложены регуляризующий (штрафной) функционал рангового согласования «глубина — норма» и режим адаптации геометрических и ранжировочных параметров (кривизна с, обучаемый вес Я) (реализовано через дифференцируемую аппроксимацию корреляции Спирмена; формулы (2.38), (2.39)). Эти механизмы обеспечивают метрическую согласованность представлений и устойчивость метода на проектах различной структурной сложности при автоматизации документирования изменений в процессах сопровождения программных систем; интерпретация эффекта в терминах подхарактеристики модифицируемости выполняется по процессным индикаторам и статистическим тестам в главе 4.

Теоретическая и практическая значимость. Теоретическая значимость состоит в развитии аппарата представления и обработки иерархий программных систем в пространствах постоянной отрицательной кривизны и формализации совместной оптимизации геометрических и ранжировочных параметров. Практическая значимость подтверждается реализацией программного комплекса RAG-Hyp, демонстрацией улучшений по широко используемым автоматическим метрикам качества текста и процессным индикаторам сопровождаемости

(количественные результаты и статистическая значимость приведены в главе 4), а также внедрением результатов в производственную практику (подтверждается документами о внедрении; см. Приложение Б).

Методологическая основа и нормативный контекст. Исследование опирается на положения ГОСТ 28195-89 (иерархическая модель качества программных средств), ГОСТ Р ИСО/МЭК 25010—2015 и 25040—2014 (качество и оценка качества программных систем), ГОСТ Р ИСО/МЭК 12207—2010 (процессы жизненного цикла и управление конфигурацией), а также ГОСТ Р ИСО 10007—2019 (менеджмент конфигурации) [19-23]. Сообщения к коммитам рассматриваются как документированные записи, обеспечивающие прослеживаемость и отчетность о статусе изменений в процессах управления конфигурацией; качество этих записей влияет на подхарактеристики сопровождаемости (анализируемость, модифицируемость, тестируемость) в терминах ГОСТ Р ИСО/МЭК 25010—2015.

Методы исследования. В работе применяются следующие методы:

- гиперболическая геометрия и риманова оптимизация для моделирования иерархических структур программных систем в пространствах постоянной отрицательной кривизны (диск Пуанкаре);

- глубокое обучение и обработка естественного языка для семантического анализа изменений программного кода с использованием предобученных трансформерных моделей;

- информационный поиск с векторными представлениями для извлечения релевантного контекста в архитектуре генерации, дополненной поиском (RAG);

- математическая статистика для экспериментальной валидации с применением непараметрических критериев значимости (критерий знаковых рангов Уилкоксона для связанных выборок [24]), доверительных интервалов (процедуры повторной выборки) и процедур контроля множественных сравнений;

- методы программной инженерии для анализа иерархической структуры программных проектов, процессов жизненного цикла и характеристик сопровождаемости по ГОСТ Р ИСО/МЭК 25010—2015.

Научная гипотеза. Научная гипотеза исследования состоит в том, что интеграция гиперболических структурных представлений иерархии программного проекта в архитектуру генерации, дополненной поиском (RAG), с адаптивным структурно-семантическим переранжированием приводит к повышению информативности автоматически генерируемых сообщений к коммитам и структурной согласованности их заголовков.

В терминах модели качества ГОСТ Р ИСО/МЭК 25010—2015 это выражается в улучшении подхарактеристик сопровождаемости (анализируемости, модифицируемости и тестируемости); практическая интерпретация эффекта для процессов сопровождения выполняется по процессным индикаторам, анализируемым в главе 4.

Связь автоматических метрик качества текста (BLEU-4, ROUGE-L и METEOR) с характеристиками сопровождаемости обеспечивается двухуровневой моделью оценки (см. раздел 2.6.1). На уровне A метрики характеризуют степень соответствия (сходства) сгенерированного сообщения эталонному описанию и используются для оценки качества текстового артефакта документирования изменений. На уровне B влияние на сопровождаемость оценивается косвенно по процессным индикаторам, соотнесенным с подхарактеристиками анализируемости, модифицируемости и тестируемости в рамках принятой модели качества и процедур оценки.

Соответствие паспорту специальности. Предметная область исследования соответствует паспорту научной специальности 2.3.5 «Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей» и относится к пункту 10 «Оценка качества, стандартизация и сопровождение программных систем». Работа направлена на улучшение характеристик сопровождаемости программных систем путем повышения качества артефактов

документирования изменений (сообщений к коммитам) и их интеграции в процессы управления конфигурацией.

Для эмпирической верификации применяются процессные индикаторы, соотнесенные с подхарактеристиками сопровождаемости по ГОСТ Р ИСО/МЭК 25010—2015 и используемые в рамках процедур оценки качества по ГОСТ Р ИСО/МЭК 25040—2014, в частности:

- прослеживаемость изменений (соответствие требованиям управления конфигурацией по ГОСТ Р ИСО/МЭК 12207—2010; ГОСТ Р ИСО 10007—2019);

- информативность и структурная согласованность заголовков сообщений (индикатор анализируемости);

- доля неинформативных сообщений (индикатор качества артефактов сопровождения, влияющий на анализируемость);

- показатель дефектности изменений (JIT): доля коммитов, ассоциированных с последующими исправлениями дефектов по принятой ретроспективной эвристике сопоставления (в том числе по ключевым выражениям в заголовке сообщения), соотносимая с модифицируемостью при интерпретации результатов;

- применимость сообщений для планирования регрессионного тестирования (индикатор тестируемости).

В главе 4 приведены детальные количественные результаты, методики расчета и результаты проверки статистической значимости; во введении фиксируются цель, методические основания и формулировки положений, выносимых на защиту.

Основные положения, выносимые на защиту

1. Метод повышения качества документирования изменений в процессах сопровождения программных систем. В настоящей работе разработан метод структурно-семантического переранжирования для автоматической генерации сообщений к коммитам, интегрирующий иерархическую структуру программного проекта через гиперболическое пространство Пуанкаре (раздел

2.4.3) и ориентированный на повышение информативности документирования изменений в процессах сопровождения. Экспериментальная валидация демонстрирует статистически значимое улучшение метрик качества текста относительно базовой модели RAG: BLEU-4 — на 66 % (с 0.1480 до 0.2457), ROUGE-L — на 21 % (с 24.25 до 29.43), METEOR — на 18 % (с 0.2915 до 0.3428) (глава 4). В нормативной интерпретации результаты соотнесены с анализируемостью, модифицируемостью и тестируемостью (ГОСТ Р ИСО/МЭК 25010—2015) через процессные индикаторы, характеризующие качество артефактов документирования изменений.

2. Математическая модель учета структурного контекста при документировании изменений. В настоящей работе разработана математическая модель агрегации множественных изменений на основе гиперболического центроида Фреше с механизмом обеспечения метрической согласованности через корреляцию Спирмена (раздел 2.3.3), формализующая связь между глубиной изменений в иерархии проекта и их приоритетом при формировании описания для обеспечения прослеживаемости в процессах сопровождения (ГОСТ Р ИСО/МЭК 12207—2010) и управления конфигурацией (ГОСТ Р ИСО 10007—2019) и соотнесенная с подхарактеристикой анализируемости (ГОСТ Р ИСО/МЭК 25010— 2015) за счет облегчения первичного анализа и локализации затронутых компонентов.

3. Механизм адаптации к структурной сложности проектов. В настоящей работе обоснован механизм адаптации параметров генерации (кривизна пространства с, обучаемый вес структурного компонента Я) к характеристикам программного проекта (раздел 3.5), обеспечивающий устойчивое качество документирования для проектов различной структурной сложности; интерпретация эффекта в терминах подхарактеристики модифицируемости (ГОСТ Р ИСО/МЭК 25010—2015) выполняется по процессным индикаторам и статистическим тестам в главе 4.

4. Архитектурное решение интеграции в процессы управления конфигурацией. В настоящей работе разработано архитектурное решение

интеграции программного комплекса RAG-Hyp в процессы управления конфигурацией программных систем (ГОСТ Р ИСО/МЭК 12207—2010; ГОСТ Р ИСО 10007—2019) (раздел 3.3), предусматривающее формирование структурированной базы знаний об изменениях с повышенной применимостью для идентификации затронутых компонентов и последующего планирования регрессионного тестирования, что соотносится с подхарактеристикой тестируемость (ГОСТ Р ИСО/МЭК 25010—2015) и задачами сопровождения и оценки качества программных систем по специальности 2.3.5 (п. 10).

Степень достоверности и апробация результатов. Достоверность результатов исследования обеспечивается применением строгого математического аппарата гиперболической геометрии, корректностью используемых формальных моделей и алгоритмов, а также воспроизводимостью и статистической значимостью экспериментальных результатов, представленных в главе 4.

Апробация результатов работы проведена на следующих научных мероприятиях:

1. Всероссийская научно-практическая конференция с международным участием «Инновационные технологии современной научной деятельности: стратегия, задачи, внедрение» (13 декабря 2024 г., Саратов).

2. Национальная научно-практическая конференция «Фундаментальные, поисковые, прикладные исследования и инновационные проекты» (7-8 декабря 2024 г., Москва, МИРЭА).

Основные результаты исследования опубликованы в 6 научных работах, из них 4 статьи в журналах, рекомендованных ВАК (International Journal of Open Information Technologies, Russian Technological Journal), и 2 публикации в материалах научных конференций. Полный список публикаций по теме диссертации приведен ниже.

Статьи в журналах, рекомендованных ВАК:

1. Косьяненко И. А., Болбаков Р. Г. Об автоматической генерации сообщений к коммитам в системах контроля версий // International Journal

of Open Information Technologies. - 2022. - Т. 10. - 4. - С. 55-60. - DOI: 10.25559/INJOIT.2307-8162.10.202204.55-60.

2. Косьяненко И. А., Болбаков Р. Г. Добыча формальных спецификаций программ для дальнейшего применения в автоматической генерации сообщений к коммитам // International Journal of Open Information Technologies. - 2023. - Т.11. - 1. - С. 53-59. - DOI: 10.25559/INJOIT. 2307-8162.11.202301.53-59.

3. Косьяненко И. А. Векторизация изменений в программном коде с использованием аддитивно-субстрактивных эмбеддингов // International Journal of Open Information Technologies. - 2025. - Т. 13. - 2. - С. 32-38. -DOI: 10.25559/INJOIT.2307-8162.13.202502.32-38.

4. Косьяненко И. А., Болбаков Р. Г. Сбор и анализ датасета для задачи автоматической генерации сообщений к коммитам // Russian Technological Journal. - 2025. - Т. 13. - 2. - С. 7-17. - DOI: 10.32362/2500-316X-2025-13-2-7-17.

Материалы научных конференций:

1. Косьяненко И. А. Метод векторного представления изменений программного кода для задачи генерации сообщений к коммитам // Инновационные технологии современной научной деятельности: стратегия, задачи, внедрение: сб. статей Всерос. науч.-практ. конф. с междунар. участием (13 декабря 2024 г., Саратов) / под ред. С. У. Увайсова. - Уфа: Аэтерна, 2024. - Ч.2. - С. 51-55. - ISBN 978-5-00249157-5.

2. Косьяненко И. А., Болбаков Р. Г. Применение рекуррентных нейронных сетей в задаче синтеза сообщений к коммитам // Фундаментальные, поисковые, прикладные исследования и инновационные проекты: сб. трудов нац. науч.-практ. конф. (Москва, 7-8 декабря 2024 г.) / под ред. С. У. Увайсова. - М.: МИРЭА, 2024. - С. 135-140. - ISBN 978-5-7339-15234.

Личный вклад автора. Все основные научные результаты и положения, выносимые на защиту, получены автором лично. В работах, выполненных в соавторстве, вклад автора заключается в разработке математической модели и метода, программной реализации предложенных решений, постановке и проведении экспериментальной валидации, а также анализе и интерпретации результатов.

Структура диссертации. Работа включает введение, четыре главы, заключение и список литературы. В главе 1 представлен обзор и нормативный контекст задачи; глава 2 содержит теоретические результаты и математические конструкции; глава 3 описывает программную реализацию; глава 4 — программу и результаты экспериментальной валидации. В заключении суммированы итоги, указаны научная новизна, значимость и направления дальнейших исследований.

1 ПРЕДМЕТНАЯ ОБЛАСТЬ, НОРМАТИВНЫЕ ОСНОВАНИЯ И

ПОСТАНОВКА ПРОБЛЕМЫ

В главе рассматриваются нормативные основания сопровождения и практики документирования изменений в системах контроля версий, а также анализируются методы автоматизации формирования сообщений к коммитам и подходы к моделированию иерархического контекста. На основе проведенного анализа в разделе 1.7 формулируются научная проблема исследования и требования к разрабатываемому методу.

1.1 Предметная область и роль сопровождения в жизненном цикле

программных систем

В структуре затрат жизненного цикла программных систем преобладают расходы на сопровождение. Исследование Boehm [25] фиксирует долю затрат на этап сопровождения в диапазоне от 50 % до 75 % совокупных расходов жизненного цикла. Аналогичные оценки получены в эмпирическом исследовании на выборке из 487 организаций [26]. Эти данные подчеркивают значимость постпоставочного сопровождения для экономической эффективности программных проектов. Эмпирические исследования структуры работ сопровождения показывают, что существенная доля усилий относится к совершенствующему сопровождению, ориентированному на развитие функциональности системы, а не только к устранению дефектов [27]. Распределение затрат на различные этапы жизненного цикла программного обеспечения представлено на рисунке 1.1.

Разработка 25%

Совершенствующее 50%

Сопровождение 75%

Превентивное 3%

Корректирующее 22%

даптивное 25%

Рисунок 1.1 — Распределение затрат на жизненный цикл программного обеспечения

Рисунок 1.1 иллюстрирует преобладание расходов на сопровождение (75 %) над затратами на первоначальную разработку (25 %), а также доминирование совершенствующего сопровождения в структуре затрат на сопровождение (50 %). Представленные значения сопоставимы по порядку величины с эмпирическими оценками, приводимыми в литературе; при этом конкретные доли могут варьировать в зависимости от выборки и используемой классификации работ сопровождения [27].

Структура затрат на сопровождение определяется составом видов деятельности процесса. Классификационная таксономия, предложенная Свэнсоном [27], выделяет четыре категории сопровождения. Эмпирическое распределение затрат по категориям представлено в таблице 1.1.

Таблица 1.1 — Категории сопровождения программных систем по классификации Свэнсона

Категория Доля усилий Описание

Корректирующее 22 % Устранение дефектов

Адаптивное 25 % Адаптация к изменениям среды

Совершенствующее 50 % Расширение функциональности

Превентивное 3 % Предупреждение будущих проблем

Преобладание совершенствующего сопровождения обусловлено эволюционным характером программных систем, изменяющихся под воздействием требований пользователей и технологического контекста. Эта закономерность определяет переход к рассмотрению фундаментальных законов эволюции программного обеспечения.

Список литературы диссертационного исследования кандидат наук Косьяненко Иван Александрович, 2026 год

Список научных источников

1. Li J., Ahmed I. Commit Message Matters: Investigating Impact and Evolution of Commit Message Quality // Proceedings of the 45th International Conference on Software Engineering. — IEEE, 2023. — С. 806—818. — DOI: 10.1109/ICSE48619.2023.00076.

2. Jiang S., Armaly A., McMillan C. Automatically generating commit messages from diffs using neural machine translation // 2017 32nd IEEE/ACM International Conference on Automated Software Engineering. — 2017. — С. 135—146. — (ASE 2017). — DOI: 10.1109/ASE.2017.8115626.

3. Neural-machine-translation-based commit message generation: how far are we? / Z. Liu, X. Xia, A. E. Hassan [и др.] // Proceedings of the 33rd ACM/IEEE International Conference on Automated Software Engineering. — 2018. — С. 373—384. — (ASE '18). — DOI: 10.1145/3238147.3238190.

4. ChangeScribe: A Tool for Automatically Generating Commit Messages / M. Linares-Vasquez [и др.] // Proceedings of the 37th International Conference on Software Engineering (ICSE). Т. 2. — IEEE Press, 2015. — С. 709—712. — (ICSE '15). — DOI: 10.1109/ICSE.2015.229.

5. Buse R. P. L., Weimer W. Automatically documenting program changes // Proceedings of the 25th IEEE/ACM International Conference on Automated Software Engineering. — 2010. — С. 33—42. — (ASE '10). — DOI: 10.1145/1858996.1859005.

6. Traceability transformed: Generating more accurate links with pre-trained BERT models / J. Lin, Y. Liu, Q. Zeng [и др.] // 2021 IEEE/ACM 43rd International Conference on Software Engineering. — 2021. — С. 324—335. — (ICSE 2021). — DOI: 10.1109/ICSE43902.2021.00040.

7. CodeBERT: A Pre-Trained Model for Programming and Natural Languages / Z. Feng, D. Guo, D. Tang [h gp.] // Findings of the Association for Computational Linguistics: EMNLP 2020. — 2020. — C. 1536—1547. — URL: https://arxiv.org/abs/2002.08155 — DOI: 10.18653/v1/2020.findings-emnlp.139.

8. On the Evaluation of Commit Message Generation Models: An Experimental Study / W. Tao, Y. Wang, E. Shi [h gp.] // IEEE Transactions on Software Engineering. — 2023. — T. 49, № 3. — C. 1640—1660. — DOI: 10.1109/TSE.2022.3178364.

9. The relationship between commit message detail and defect proneness in Java projects on GitHub / J. G. Barnett [h gp.] // Proceedings of the 13th International Conference on Mining Software Repositories. — 2016. — C. 496—499. — (MSR '16). — DOI: 10.1145/2901739.2903496.

10. On Automatically Generating Commit Messages via Summarization of Source Code Changes / L. F. Cortés-Coy [h gp.] // Proceedings of the 14th IEEE International Working Conference on Source Code Analysis and Manipulation. — 2014. — C. 275—284. — (SCAM '14). — DOI: 10.1109/SCAM.2014.14.

11. Commit Message Matters: Investigating Impact and Evolution of Commit Message Quality / J. Li, I. Ahmed, G. Bavota [h gp.] // Proceedings of the 45th International Conference on Software Engineering. — 2023. — C. 806—817. — (ICSE '23). — DOI: 10.1109/ICSE48619.2023.00076.

12. Nickel M., Kiela D. Poincaré embeddings for learning hierarchical representations // Advances in Neural Information Processing Systems 30. — Curran Associates, Inc., 2017. — C. 6338—6347. — (NIPS 2017).

13. Ganea O., Bécigneul G., Hofmann T. Hyperbolic neural networks // Advances in Neural Information Processing Systems 31. — Curran Associates, Inc., 2018. — C. 5345—5355. — (NeurIPS 2018).

14. Representation tradeoffs for hyperbolic embeddings / F. Sala [h gp.] // Proceedings of the 35th International Conference on Machine Learning. T. 80. — PMLR, 2018. — C. 4460—4469. — (ICML 2018).

15. Hyperbolic Graph Convolutional Neural Networks / I. Chami [и др.] // Advances in Neural Information Processing Systems 32. — Curran Associates, Inc., 2019. — С. 4869—4880. — (NeurIPS 2019).

16. Skopek O., Ganea O.-E., Becigneul G. Mixed-curvature variational autoencoders // Proceedings of the 8th International Conference on Learning Representations.

— 2020. — (ICLR 2020). — (Дата обр. 29.11.2024).

17. Bonnabel S. Stochastic Gradient Descent on Riemannian Manifolds // IEEE Transactions on Automatic Control. — 2013. — Т. 58, № 9. — С. 2217—2229.

— DOI: 10.1109/TAC.2013.2254619.

18. Becigneul G., Ganea O.-E. Riemannian Adaptive Optimization Methods // Proceedings of the 7th International Conference on Learning Representations. — 2019. — (ICLR 2019). — (Дата обр. 29.11.2024).

19. ГОСТ Р ИСО/МЭК 25010—2015. Информационные технологии (ИТ). Системная и программная инженерия. Требования и оценка качества систем и программного обеспечения (SQuaRE). Модели качества систем и программных продуктов : Национальный стандарт Российской Федерации / Федеральное агентство по техническому регулированию и метрологии. — 2015.

20. ГОСТ Р ИСО/МЭК 25040—2014. Информационные технологии (ИТ). Системная и программная инженерия. Требования и оценка качества систем и программного обеспечения (SQuaRE). Процесс оценки : Национальный стандарт Российской Федерации / Федеральное агентство по техническому регулированию и метрологии. — 2014.

21. ГОСТ Р ИСО/МЭК 12207—2010. Информационная технология (ИТ). Системная и программная инженерия. Процессы жизненного цикла программных средств : Национальный стандарт Российской Федерации / Федеральное агентство по техническому регулированию и метрологии. — 2010.

22. ГОСТ Р ИСО 10007—2019. Менеджмент качества. Руководящие указания по менеджменту конфигурации : Национальный стандарт Российской

Федерации / Федеральное агентство по техническому регулированию и метрологии. — 2019.

23. ГОСТ 28195-89. Оценка качества программных средств. Общие положения : Государственный стандарт СССР / Государственный комитет СССР по стандартам. — 1989.

24. Wilcoxon F. Individual Comparisons by Ranking Methods // Biometrics Bulletin.

— 1945. — Т. 1, № 6. — С. 80—83. — DOI: 10.2307/3001968.

25. Boehm B. W. Software Engineering Economics. — Englewood Cliffs, NJ : Prentice Hall, 1981. — С. 767.

26. Lientz B. P., Swanson E. B. Software Maintenance Management. — Reading, MA : Addison-Wesley, 1980. — С. 368. — ISBN 0201042053.

27. Swanson E. B. The dimensions of maintenance // Proceedings of the 2nd International Conference on Software Engineering. — IEEE Computer Society Press, 1976. — С. 492—497. — (ICSE '76).

28. Lehman M. M. Programs, Life Cycles, and Laws of Software Evolution // Proceedings of the IEEE. — 1980. — Т. 68, № 9. — С. 1060—1076. — DOI: 10.1109/PR0C.1980.11805.

29. Lehman M. M., Belady L. A. Program Evolution: Processes of Software Change.

— London : Academic Press Professional, Inc., 1985.

30. Cunningham W. The WyCash Portfolio Management System // OOPSLA '92: Addendum to the proceedings on Object-oriented programming systems, languages, and applications. — ACM, 1992. — С. 29—30. — DOI: 10.1145/157710.157715.

31. Curtis B., Sappidi J., Szynkarski A. Estimating the size, cost, and types of Technical Debt // 2012 Third International Workshop on Managing Technical Debt (MTD). — IEEE, 2012. — С. 49—53. — DOI: 10.1109/MTD.2012.6226000.

32. Nugroho A., Visser J., Kuipers T. An empirical model of technical debt and interest // Proceedings of the 2nd Workshop on Managing Technical Debt. — ACM, 2011.

— С. 1—8. — (ICSE '11). — DOI: 10.1145/1985362.1985364.

33. Hassan A. E. Predicting faults using the complexity of code changes // 31st International Conference on Software Engineering, ICSE 2009. — IEEE, 2009. — С. 78—88. — DOI: 10.1109/ICSE.2009.5070510.

34. Hassan A. E., Zhang S. How changes affect software entropy: an empirical study // Empirical Software Engineering. — 2014. — Т. 19, № 1. — С. 1—38. — DOI: 10.1007/s10664-012-9214-z.

35. The Promises and Perils of Mining Git / C. Bird, P. Rigby, E. Barr [и др.] // Proceedings of the 6th IEEE International Working Conference on Mining Software Repositories. — IEEE, 2009. — С. 1—10. — (MSR '09). — DOI: 10.1109/MSR.2009.5069475.

36. Петров А. В., Сидоров И. П. Системы контроля версий в современной разработке программного обеспечения // Программные продукты и системы. — 2022. — Т. 35, № 2. — С. 234—241.

37. Лазаренко Е. Н., Дорохина Г. В., Гаркуша Д. А. Анализ систем контроля версий // Проблемы искусственного интеллекта. — 2023. — № 2 (29). — С. 40—48. — URL: https://cyberleninka.rU/article/n/analiz-sistem-kontrolya-versiy (дата обр. 29.11.2024).

38. Вьюшкова М. В., Чернова С. В. Принцип работы системы контроля версий Git // Теория и практика современной науки. — 2019. — № 10 (52). — С. 40— 42. — URL: https://cyberleninka.m/article/n/printsip-raboty-sistemy-kontrolya-versiy-git (дата обр. 29.11.2024).

39. Splitting Commits via Past Code Changes / H. Kirinuki [и др.] // 2016 23rd Asia-Pacific Software Engineering Conference (APSEC). — IEEE, 2016. — С. 129— 136. — DOI: 10.1109/APSEC.2016.028.

40. Иванова Е. А., Козлов В. Н. Принципы работы и возможности системы управления версиями // Информационные технологии и вычислительные системы. — 2023. — Т. 2023, № 1. — С. 45—58.

41. Spinellis D. Version control systems // IEEE Software. — 2005. — Т. 22, № 5. — С. 108—109. — DOI: 10.1109/MS.2005.140.

42. Louridas P. Version control // IEEE Software. — 2006. — Т. 23, № 1. — С. 104— 107. — DOI: 10.1109/MS.2006.32.

43. ГОСТ Р ИСО 9000-2015. Системы менеджмента качества. Основные положения и словарь : Национальный стандарт Российской Федерации / Федеральное агентство по техническому регулированию и метрологии. — 2015.

44. Морозов Д. В., Федоров С. А. Применение систем контроля версий и управления совместной разработкой приложений на примере проектов ФГУП // Информатизация и связь. — 2022. — Т. 2022, № 3. — С. 112—120.

45. ElRafey A., Wohlgenannt G., Tjoa A. M. A Full-fledged Commit Message Quality Checker Based on Machine Learning // 2023 IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC). — IEEE, 2023. — С. 291— 300. — DOI: 10.1109/C0MPSAC57700.2023.00046.

46. Григорьев П. С. Сопровождение программного обеспечения и проблемы данного этапа разработки // Моделирование, оптимизация и информационные технологии. — 2023. — Т. 11, № 2. — С. 1—15.

47. Mockus A., Fielding R. T., Herbsleb J. D. A case study of open source software development: the Apache server // Proceedings of the 22nd International Conference on Software Engineering. — ACM, 2000. — С. 263—272. — DOI: 10.1145/337180.337209.

48. Maintainability of the Linux kernel / S. R. Schach, B. Jin, D. R. Wright [и др.] // IEE Proceedings - Software. — 2002. — Т. 149, № 1. — С. 18—23. — DOI: 10.1049/ip-sen:20020415.

49. Automatic Commit Message Generation: A Critical Review and Directions for Future Work / Y. Zhang [и др.] // IEEE Transactions on Software Engineering. — 2024. — Т. 50, № 4. — С. 816—835. — DOI: 10.1109/TSE.2024.3364675.

50. Automated Commit Message Generation With Large Language Models: An Empirical Study and Beyond / P. Xue, L. Wu, Z. Yu [и др.] // IEEE Transactions on Software Engineering. — 2024. — Т. 50, № 12. — С. 3208—3224. — URL: https://arxiv.org/abs/2404.14824 — DOI: 10.1109/TSE.2024.3478317.

51. KADEL: Knowledge-Aware Denoising Learning for Commit Message Generation / W. Wei, Z. Li, Y. Xing [и др.] // ACM Transactions on Software Engineering and Methodology. — 2024. — Т. 33, № 7. — С. 1—29. — DOI: 10.1145/3643675.

52. ISO/IEC Systems and software engineering - Systems and software Quality Requirements and Evaluation (SQuaRE) - System and software quality models. — 2011. — URL: https://www.iso.org/standard/35733.html (дата обр. 29.11.2024). International Standard.

53. ISO ISO/IEC 25010:2023. Systems and software engineering - Systems and software Quality Requirements and Evaluation (SQuaRE) - Product quality model : International Standard / International Organization for Standardization. — 2023.

— Supersedes ISO/IEC 25010:2011.

54. Lavazza L., Morasca S., Gatto M. An empirical study on software understandability and its dependence on code characteristics // Empirical Software Engineering. — 2023. — Т. 28, № 155. — DOI: 10.1007/s10664-023-10396-7.

55. Schnappinger M., Fietzke A., Pretschner A. Exploring Maintainability Index Variants for Software Maintainability Measurement in Object-Oriented Systems // Applied Sciences. — 2023. — Т. 13, № 5. — С. 2972. — DOI: 10.3390/app13052972.

56. Erlikh L. Leveraging legacy system dollars for e-business // IT Professional. — 2000. — Т. 2, № 3. — С. 17—23. — DOI: 10.1109/6294.846201.

57. Джугашвили С. С. Методы оценки сложности программ // Актуальные проблемы авиации и космонавтики. — 2019. — Т. 2. — С. 115—116. — URL: https://cyberleninka.ru/article/n/metody-otsenki-slozhnosti-programm (дата обр. 29.11.2024).

58. Романов В. Ю. Анализ объектно-ориентированных метрик для проектирования архитектуры программного обеспечения // International Journal of Open Information Technologies. — 2014. — Т. 2, № 3. — С. 11—17.

— URL: https://cyberleninka.ru/article/n/analiz-obektno-orientirovannyh-metrik-dlya-proektirovaniya-arhitektury-programmnogo-obespecheniya (дата обр. 29.11.2024).

59. Звездин С. В. Проблемы измерения качества программного кода // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. — 2010. — № 2 (178). — С. 62— 66. — URL: https://cyberleninka.ru/article/n/problemy-izmereniya-kachestva-programmnogo-koda (дата обр. 29.11.2024).

60. Берг О. Ю. Метрики оценки качества программного обеспечения // Труды Международного симпозиума «Надежность и качество». Т. 1. — 2005. — С. 321—322. — (Дата обр. 29.11.2024).

61. Бахтизин В. В. Эффективность программных средств и ее оценка // Доклады Белорусского государственного университета информатики и радиоэлектроники. — 2007. — № 2 (18). — С. 128—133. — URL: https://cyberleninka.ru/article/n/effektivnost-programmnyh-sredstv-i-ee-otsenka (дата обр. 29.11.2024).

62. A Tool-Based Perspective on Software Code Maintainability Metrics: A Systematic Literature Review / L. Ardito [и др.] // Scientific Programming. — 2020. — Т. 2020. — DOI: 10.1155/2020/8840389.

63. On automatically generating commit messages via summarization of source code changes / L. F. Cortés-Coy [и др.] // Proceedings of the 14th IEEE International Working Conference on Source Code Analysis and Manipulation. — IEEE, 2014. — С. 275—284. — DOI: 10.1109/SCAM.2014.14.

64. Buse R. P. L., Weimer W. R. Automatically Documenting Program Changes // Proceedings of the IEEE/ACM International Conference on Automated Software Engineering. — ACM, 2010. — С. 33—42. — DOI: 10.1145/1858996.1859005.

65. Neural-Machine-Translation-Based Commit Message Generation: How Far Are We? / Z. Liu, X. Xia, A. E. Hassan [и др.] // Proceedings of the 33rd ACM/IEEE International Conference on Automated Software Engineering. — ACM, 2018. — С. 373—384. — DOI: 10.1145/3238147.3238190.

66. BLEU: a Method for Automatic Evaluation of Machine Translation / K. Papineni [и др.] // Proceedings of the 40th Annual Meeting of the Association for

Computational Linguistics. — 2002. — C. 311—318. — DOI: 10.3115/1073083.1073135.

67. Jiang S., Armaly A., McMillan C. Automatically Generating Commit Messages from Diffs Using Neural Machine Translation // Proceedings of the 32nd IEEE/ACM International Conference on Automated Software Engineering. — IEEE, 2017. — C. 135—146. — DOI: 10.1109/ASE.2017.8115619.

68. Commit Message Generation for Source Code Changes / Z. Liu [h gp.] // Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI 2019). — IJCAI, 2019. — C. 3975—3981. — URL: https://doi.org/10.24963/ijcai.2019/552 — DOI: 10.24963/ijcai.2019/552.

69. ATOM: Commit Message Generation Based on Abstract Syntax Tree and Hybrid Ranking / S. Liu, C. Gao, S. Chen [h gp.] // IEEE Transactions on Software Engineering. — 2022. — T. 48, № 5. — C. 1800—1817. — DOI: 10.1109/TSE.2020.3038681.

70. COMET: Modeling Code Context for Commit Message Generation / T. Hoang [h gp.] // Journal of Systems and Software. — 2024. — T. 209. — C. 111926. — DOI: 10.1016/j.jss.2023.111926.

71. CoreGen: Contextualized Code Representation Learning for Commit Message Generation / Q. Gao [h gp.] // ACM Transactions on Software Engineering and Methodology. — 2021. — T. 30, № 4. — C. 56:1—56:43. — URL: https://doi.org/10.1145/3457910 — DOI: 10.1145/3457910.

72. Jung J. CommitBERT: Commit Message Generation Using Pre-Trained Programming Language Model // Proceedings of the NLP4Prog Workshop at ACL 2021. — ACL, 2021. — C. 1—8.

73. Lin C.-Y. ROUGE: A Package for Automatic Evaluation of Summaries // Text Summarization Branches Out: Proceedings of the ACL-04 Workshop. — Association for Computational Linguistics, 2004. — C. 74—81.

74. Banerjee S., Lavie A. METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments // Proceedings of the ACL Workshop on Intrinsic and Extrinsic Evaluation Measures for Machine Translation and/or

Summarization. — Association for Computational Linguistics, 2005. — C. 65— 72.

75. Rastkar S., Murphy G. C., Murray G. Automatic Summarization of Bug Reports // IEEE Transactions on Software Engineering. — 2014. — T. 40, № 4. — C. 366— 380. — DOI: 10.1109/TSE.2013.2297712.

76. Menzies T., Zimmermann T. Software Analytics: So What? // IEEE Software. T. 30. — 2013. — C. 31—37. — DOI: 10.1109/MS.2013.86.

77. On the Use of Context in Neural Commit Message Generation / Z. Liu [h gp.] // ACM Transactions on Software Engineering and Methodology. — 2021. — T. 30, № 4. — C. 54:1—54:43. — URL: https://doi.org/10.1145/3462632 — DOI: 10.1145/3462632.

78. RACE: Retrieval-Augmented Commit Message Generation / J. Zhang [h gp.] //

Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. — ACL, 2022. — C. 2867—2880. — DOI: 10.18653/v1/2022.emnlp-main.182.

79. REACT: RAG-Enhanced Commit Message Generation / L. Zhang, H. Zhang, C. Wang [h gp.] // arXiv preprint arXiv:2406.05514. — 2024. — URL: https://arxiv.org/abs/2406.05514.

80. Nickel M., Kiela D. Learning Continuous Hierarchies in the Lorentz Model of Hyperbolic Geometry // Proceedings of the 35th International Conference on Machine Learning. T. 80. — PMLR, 2018. — C. 3779—3788. — (ICML 2018).

81. Liu Q., Nickel M., Kiela D. Hyperbolic Graph Neural Networks // Advances in Neural Information Processing Systems 32 (NeurIPS 2019). — Curran Associates, Inc., 2019. — C. 8228—8239.

82. Continuous Hierarchical Representations with Poincaré Variational Auto-Encoders / E. Mathieu, C. Le Lan, C. J. Maddison [h gp.] // Advances in Neural Information Processing Systems 32 (NeurIPS 2019). — Curran Associates, Inc., 2019. — C. 12544—12555.

83. Balazevic I., Allen C., Hospedales T. Multi-Relational Poincaré Graph Embeddings // Advances in Neural Information Processing Systems 32 (NeurIPS 2019). — Curran Associates, Inc., 2019. — C. 4463—4473.

84. Hyperbolic Representation Learning: Revisiting and Advancing / M. Yang [h gp.] // Proceedings of the 40th International Conference on Machine Learning (ICML 2023). T. 202. — PMLR, 2023. — C. 39603—39630.

85. Hyperbolic Graph Neural Networks: A Tutorial on Methods and Applications / M. Zhou [h gp.] // Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. — ACM, 2023. — C. 5843—5844. — (KDD '23). — DOI: 10.1145/3580305.3599562.

86. The Numerical Stability of Hyperbolic Representation Learning / G. Mishne [h gp.] // Proceedings of the 40th International Conference on Machine Learning (ICML 2023). T. 202. — PMLR, 2023. — C. 24889—24914.

87. How do software engineers understand code changes? An exploratory study in industry / Y. Tao, Y. Dang, T. Xie [h gp.] // ACM SIGSOFTSoftware Engineering Notes. — 2012. — T. 37, № 6. — C. 1—6. — DOI: 10.1145/2382756.2382787.

88. Hassan A. E., Holt R. C. Predicting change propagation in software systems // Proceedings of the 20th IEEE International Conference on Software Maintenance (ICSM '04). — IEEE Computer Society, 2004. — C. 284—293. — DOI: 10.1109/ICSM.2004.1357812.

89. Elbaum S., Rothermel G., Penix J. Techniques for improving regression testing in continuous integration development environments // Proceedings of the 22nd ACM SIGSOFT International Symposium on Foundations of Software Engineering (FSE 2014). — ACM, 2014. — C. 235—245. — DOI: 10.1145/2635868.2635910.

90. Rastkar S., Murphy G. C. Why did this code change? // Proceedings of the 35th International Conference on Software Engineering (ICSE '13). — IEEE Press, 2013. — C. 1193—1196. — DOI: 10.1109/ICSE.2013.6606678.

91. Mockus A., Votta L. G. Identifying reasons for software changes using historic databases // Proceedings of the International Conference on Software Maintenance

(ICSM '00). — IEEE Computer Society, 2000. — C. 120—130. — DOI: 10.1109/ICSM.2000.883028.

92. Engstrom E., Runeson P., Skoglund M. A systematic review on regression test selection techniques // Information and Software Technology. — 2010. — T. 52, № 1. — C. 14—30. — DOI: 10.1016/j.infsof.2009.07.001.

93. Hyperbolic Geometry of Complex Networks / D. Krioukov, F. Papadopoulos, M. Kitsak [h gp.] // Physical Review E. — 2010. — T. 82, № 3. — C. 036106. — DOI: 10.1103/PhysRevE.82.036106.

94. Popularity vs Similarity in Growing Networks / F. Papadopoulos, M. Kitsak, Serrano M. À. [h gp.] // Nature. — 2012. — T. 489, № 7417. — C. 537—540. — DOI: 10.1038/nature 11459.

95. Nickel M., Kiela D. Poincaré embeddings for learning hierarchical representations // Advances in Neural Information Processing Systems 30. — Curran Associates, Inc., 2017. — C. 6338—6347. — (NIPS 2017).

96. Sarkar R. Low Distortion Delaunay Embedding of Trees in Hyperbolic Plane // Graph Drawing: 19th International Symposium, GD 2011. T. 7034. — Springer, 2011. — C. 355—366. — (Lecture Notes b Computer Science).

97. Representation tradeoffs for hyperbolic embeddings / F. Sala [h gp.] // Proceedings of the 35th International Conference on Machine Learning. T. 80. — PMLR, 2018.

— C. 4460—4469. — (ICML 2018).

98. Change Distilling: Tree Differencing for Fine-Grained Source Code Change Extraction / B. Fluri [h gp.] // IEEE Transactions on Software Engineering. — 2007. — T. 33, № 11. — C. 725—743. — DOI: 10.1109/TSE.2007.70747.

99. Hunt J. W., McIlroy M. D. An Algorithm for Differential File Comparison / Bell Laboratories. — 1976.

100. Myers E. W. An O(ND) Difference Algorithm and Its Variations // Algorithmica.

— 1986. — T. 1. — C. 251—266. — DOI: 10.1007/BF01840446.

101. Hirschberg D. S. A Linear Space Algorithm for Computing Maximal Common Subsequences // Communications of the ACM. — 1975. — T. 18, № 6. — C. 341— 343. — DOI: 10.1145/360825.360861.

102. Bondy J. A., Murty U. S. R. Graph Theory. — New York : Springer, 2008.

103. Harel D., Tarjan R. E. Fast Algorithms for Finding Nearest Common Ancestors // SIAM Journal on Computing. — 1984. — T. 13, № 2. — C. 338—355. — DOI: 10.1137/0213024.

104. Using Large Language Models for multi-level commit message generation for large diffs / A. Kumar [h gp.] // Information and Software Technology. — 2025.

— T. 187. — C. 107831. — DOI: 10.1016/j.infsof.2025.107831.

105. Manning C. D., Schütze H. Foundations of Statistical Natural Language Processing. — Cambridge, MA : MIT Press, 1999. — ISBN 978-0-262-13360-9.

106. A large-scale empirical study of commit message generation: models, datasets and evaluation / W. Tao, Y. Wang, E. Shi [h gp.] // Empirical Software Engineering.

— 2022. — T. 27, № 7. — C. 198. — DOI: 10.1007/s10664-022-10219-1.

107. Le Q., Mikolov T. Distributed Representations of Sentences and Documents // Proceedings of the 31st International Conference on Machine Learning. T. 32. — PMLR, 2014. — C. 1188—1196. — (ICML '14). — URL: https://arxiv.org/abs/1405.4053.

108. Bag of Tricks for Efficient Text Classification / A. Joulin [h gp.] // Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. T. 2. — Association for Computational Linguistics, 2017. — C. 427— 431. — (EACL '17). — DOI: 10.18653/v1/E17-2068.

109. Manning C. D., Raghavan P., Schütze H. Introduction to Information Retrieval. — Cambridge : Cambridge University Press, 2008.

110. Mahalanobis P. C. On the Generalized Distance in Statistics // Proceedings of the National Institute of Sciences (Calcutta). — 1936. — T. 2. — C. 49—55.

111. Distributed Representations of Words and Phrases and their Compositionality / T. Mikolov, I. Sutskever, K. Chen [h gp.] // Advances in Neural Information Processing Systems 26. — 2013. — C. 3111—3119. — (NeurIPS 2013). — URL: https://arxiv.org/abs/1310.4546.

112. Post M. A Call for Clarity in Reporting BLEU Scores // Proceedings of the Third Conference on Machine Translation. — 2018. — C. 186—191. — DOI: 10.18653/v1/W18-6319.

113. Flajolet P., Sedgewick R. Analytic Combinatorics. — Cambridge : Cambridge University Press, 2009.

114. Bourgain J. On Lipschitz Embedding of Finite Metric Spaces in Hilbert Space // Israel Journal of Mathematics. — 1985. — T. 52.

115. Linial N., London E., Rabinovich Y. The Geometry of Graphs and Some of Its Algorithmic Applications // Combinatorica. — 1995. — T. 15, № 2. — C. 215— 245. — DOI: 10.1007/BF01200757.

116. Maaten L. van der, Hinton G. Visualizing Data using t-SNE // Journal of Machine Learning Research. — 2008.

117. Tifrea A., Bécigneul G., Ganea O.-E. Poincaré GloVe: Hyperbolic Word Embeddings // 7th International Conference on Learning Representations, Workshop Track. — 2019. — (ICLR 2019). — URL: https://arxiv.org/abs/1810.06546.

118. Ratcliffe J. G. Foundations of Hyperbolic Manifolds. — New York : Springer, 2006.

119. Beardon A. F. The Geometry of Discrete Groups. — New York : Springer, 1983.

120. Maskit B. Kleinian Groups. — New York : Springer, 1988.

121. Bridson M. R., Haefliger A. Metric Spaces of Non-Positive Curvature. — New York : Springer, 1999.

122. Papadopoulos F., Psomas C., Krioukov D. Network Mapping by Replaying Hyperbolic Growth // IEEE/ACM Transactions on Networking. — 2015. — T. 23, № 1. — C. 198—211. — DOI: 10.1109/TNET.2013.2294052.

123. Anderson J. W. Hyperbolic Geometry. — London : Springer, 2005. — C. xii+276. — ISBN 978-1-85233-934-0.

124. Petersen P. Riemannian Geometry. — New York : Springer, 2016.

125. Absil P.-A., Mahony R., Sepulchre R. Optimization Algorithms on Matrix Manifolds. — Princeton : Princeton University Press, 2008.

126. Pennec X. Intrinsic Statistics on Riemannian Manifolds: Basic Tools for Geometric Measurements // Journal of Mathematical Imaging and Vision. — 2006. — T. 25.

127. Afsari B. Riemannian Lp Center of Mass: Existence, Uniqueness, and Convexity // Proceedings of the American Mathematical Society. — 2011. — T. 139, № 2.

128. Karcher H. Riemannian Center of Mass and Mollifier Smoothing // Communications in Pure and Applied Mathematics. — 1977. — T. 30, № 5.

129. Sturm K.-T. Probability Measures on Metric Spaces of Nonpositive Curvature // b Heat Kernels and Analysis on Manifolds, Graphs, and Metric Spaces - Providence, RI : American Mathematical Society - 2003 - C. 357—390.

130. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks / P. Lewis, E. Perez, A. Piktus [h gp.] // Advances in Neural Information Processing Systems 33. — 2020. — C. 9459—9474. — (NeurlPS 2020). — URL: https://arxiv.org/abs/2005.11401.

131. Dense Passage Retrieval for Open-Domain Question Answering / V. Karpukhin, B. Oguz, S. Min [h gp.] // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing. — Association for Computational Linguistics, 2020. — C. 6769—6781. — (EMNLP 2020). — URL: https://arxiv.org/abs/2004.04906.

132. Aslam J. A., Montague M. Models for Metasearch // Proceedings of the 24th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. — ACM Press, 2001. — C. 276—284. — (SIGIR '01).

133. Spearman C. The Proof and Measurement of Association Between Two Things // The American Journal of Psychology. — 1904. — T. 15, № 1. — C. 72—101.

134. Robertson S., Zaragoza H. The Probabilistic Relevance Framework: BM25 and Beyond // Foundations and Trends in Information Retrieval. — 2009. — T. 3, № 4. — C. 333—389.

135. Croft W. B., Metzler D., Strohman T. Search Engines: Information Retrieval in Practice. — Boston : Pearson, 2009.

136. Bachmann S., Becigneul G., Ganea O.-E. Constant Curvature Graph Convolutional Networks // Proceedings of the 37th International Conference on Machine

Learning. T. 119. — PMLR, 2020. — C. 486—496. — (ICML 2020). — URL: https://arxiv.org/abs/1911.05076.

137. Lin C.-Y., Hovy E. Automatic Evaluation of Summaries Using N-gram Cooccurrence Statistics // Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology. — Association for Computational Linguistics, 2003. — C. 150—157.

— (HLT-NAACL '03).

138. Gatt A., Krahmer E. Survey of the State of the Art in Natural Language Generation: Core tasks, applications and evaluation // Journal of Artificial Intelligence Research. — 2018. — T. 61. — C. 65—170. — DOI: 10.1613/jair.5477.

139. Cover T. M., Thomas J. A. Elements of Information Theory. — New York : Wiley, 2006.

140. Deza M. M., Deza E. Encyclopedia of Distances. — New York : Springer, 2016.

141. West D. B. Introduction to Graph Theory. — Upper Saddle River, NJ : Prentice Hall, 2001.

142. Improving Reproducibility in Machine Learning Research: A Report from the NeurIPS 2019 ML Reproducibility Program / J. Pineau, P. Vincent-Lamarre [h gp.] // Journal of Machine Learning Research. — 2021. — T. 22, № 164. — C. 1—20.

143. The FAIR Guiding Principles for scientific data management and stewardship / M. D. Wilkinson, M. Dumontier, I. J. Aalbersberg [h gp.] // Scientific Data. — 2016.

— T. 3. — C. 160018.

144. Boettiger C. An introduction to Docker for reproducible research // ACMSIGOPS Operating Systems Review. — 2015. — T. 49, № 1. — C. 71—79.

145. Köster J., Rahmann S. Snakemake—A scalable bioinformatics workflow engine // Bioinformatics. — 2012. — T. 28, № 19. — C. 2520—2522.

146. Gousios G. The GHTorrent Dataset and Tool Suite // Proceedings of the 10th Working Conference on Mining Software Repositories. — IEEE, 2013. — C. 233— 236. — (MSR '13).

147. The Promises and Perils of Mining GitHub / E. Kalliamvakou, G. Gousios, K. Blincoe [h gp.] // Proceedings of the 11th Working Conference on Mining Software

Repositories. — ACM, 2014. — C. 92—101. — (MSR 2014). — DOI: 10.1145/2597073.2597074.

148. Curating GitHub for Engineered Software Projects / N. Munaiah [h gp.] // Empirical Software Engineering. — 2017. — T. 22, № 6. — C. 3219—3253.

149. Commit message quality assessment / D. Farago [h gp.] // IEEE Transactions on Software Engineering. — 2023. — T. 49, № 4. — C. 2156—2171.

150. Automated commit message generation with large language models: how far are we? / P. Xue, H. Sun, X. Xia [h gp.] // IEEE Transactions on Software Engineering. — 2024. — T. 50, № 7. — C. 2684—2703.

151. Automatic Generation of Pull Request Descriptions / Z. Liu [h gp.] // Proceedings of the 34th IEEE/ACM International Conference on Automated Software Engineering. — 2019. — C. 176—188. — (ASE 2019). — URL: https://arxiv.org/abs/1909.06987 — DOI: 10.1109/ASE.2019.00026.

152. A Survey of Source Code Representations for Machine Learning in Software Engineering / B. Casey [h gp.] // ACM Computing Surveys. — 2025. — T. 57, № 2. — C. 1—38. — DOI: 10.1145/3721977.

153. Rantala L., Mâkitalo N., Mikkonen T. Predicting technical debt from commit contents // Software Quality Journal. — 2020. — T. 28. — C. 1215—1245.

154. HERMES: Vulnerability discovery with security-focused commit messages and repository mining / P. Morrison, J. Wang, R. Duan [h gp.] // IEEE Symposium on Security and Privacy (S&P). — 2022.

155. Sabetta A., Bezzi M. A Practical Approach to the Automatic Classification of Security-Relevant Commits // Proceedings of the 2018 IEEE International Conference on Software Maintenance and Evolution. — IEEE, 2018. — C. 579— 582. — (ICSME 2018). — URL: https://arxiv.org/abs/1807.02458.

156. Predictive models in software engineering: challenges and opportunities / Y. Yang, D. Lo [h gp.] // ACM TOSEM. — 2021. — T. 30, № 4. — C. 1—48. — DOI: 10.1145/3453479.

157. Studying Re-opened Bugs in Open Source Software / E. Shihab, A. Ihara, Y. Kamei [h gp.] // Empirical Software Engineering. — 2012. — T. 17. — C. 1073—1104.

— DOI: 10.1007/s10664-011-9181-0.

158. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar [h gp.] // Advances in Neural Information Processing Systems 30. — 2017. — C. 5998—6008. — (NeurlPS 2017). — URL: https://arxiv.org/abs/1706.03762.

159. BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension / M. Lewis, Y. Liu, N. Goyal [h gp.] // Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. — Association for Computational Linguistics, 2020. — C. 7871— 7880. — (ACL 2020).

160. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa [h gp.] // Advances in Neural Information Processing Systems 33. — 2019. — C. 8024—8035. — (NeurlPS 2019). — URL: https://arxiv.org/abs/1912.01703.

161. Datasets: A Community Library for Natural Language Processing / Q. Lhoest, C. Delangue, Platen P. von [h gp.] // Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. — Association for Computational Linguistics, 2021. — C. 175—184. — DOI: 10.18653/v1/2021.emnlp-demo.21.

162. Transformers: State-of-the-Art Natural Language Processing / T. Wolf, L. Debut, V. Sanh [h gp.] // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. — Association for Computational Linguistics, 2020. — C. 38—45. — URL: https://arxiv.org/abs/1910.03771.

163. Kochurov M., Karimov R., Kozlukov S. Geoopt: Riemannian Optimization in PyTorch // ICML 2020 Workshop on Differential Geometry meets Deep Learning.

— 2020. — URL: https://arxiv.org/abs/2005.02819.

164. Johnson J., Douze M., Jegou H. Billion-scale similarity search with GPUs // IEEE Transactions on Big Data. — 2021. — Т. 7, № 3. — С. 535—547. — URL: https://arxiv.org/abs/1702.08734 — DOI: 10.1109/TBDATA.2019.2921572.

165. Jegou H., Douze M., Schmid C. Product Quantization for Nearest Neighbor Search // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2011. — Т. 33, № 1. — С. 117—128.

166. Malkov Y. A., Yashunin D. A. Efficient and Robust Approximate Nearest Neighbor Search Using HNSW // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2020. — Т. 42, № 4. — С. 824—836.

167. Generalization through Memorization: Nearest Neighbor Language Models / U. Khandelwal, O. Levy, D. Jurafsky [и др.] // Proceedings of the 8th International Conference on Learning Representations. — 2020. — (ICLR 2020). — (Дата обр. 29.11.2024).

168. Nearest Neighbor Machine Translation / U. Khandelwal, A. Fan, D. Jurafsky [и др.] // Proceedings of the 9th International Conference on Learning Representations. — 2021. — (ICLR 2021). — URL: https://arxiv.org/abs/2010.00710.

169. Izacard G., Grave E. Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering // Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume. — Association for Computational Linguistics, 2021. — С. 874—880. — (EACL 2021). — URL: https://arxiv.org/abs/2007.01282.

170. REALM: Retrieval-Augmented Language Model Pre-Training / K. Guu, K. Lee, Z. Tung [и др.] // Proceedings of the 37th International Conference on Machine Learning. Т. 119. — 2020. — С. 3929—3938. — (ICML 2020). — URL: https://arxiv.org/abs/2002.08909.

171. On Calibration of Modern Neural Networks / C. Guo [и др.] // Proceedings of the 34th International Conference on Machine Learning. Т. 70. — 2017. — С. 1321— 1330. — (ICML 2017). — URL: https://arxiv.org/abs/1706.04599.

172. ZeRO: Memory Optimizations Toward Training Trillion Parameter Models / S. Rajbhandari [и др.] // Proceedings of SC20. — 2020.

173. Training Deep Nets with Sublinear Memory Cost / T. Chen [и др.] // arXiv preprint arXiv:1604.06174. — 2016. — URL: https://arxiv.org/abs/1604.06174.

174. Mixed Precision Training / P. Micikevicius, S. Narang, J. Alben [и др.] // Proceedings of the 6th International Conference on Learning Representations. — 2018. — (ICLR 2018). — (Дата обр. 29.11.2024).

175. Loshchilov I., Hutter F. Decoupled Weight Decay Regularization // Proceedings of the 7th International Conference on Learning Representations. — 2019. — (ICLR 2019). — (Дата обр. 29.11.2024).

176. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization // Proceedings of the 3rd International Conference on Learning Representations. — 2015. — (ICLR 2015). — URL: https://arxiv.org/abs/1412.6980.

177. Array programming with NumPy / C. R. Harris, K. J. Millman, Walt S. J. van der [и др.] // Nature. — 2020. — Т. 585. — С. 357—362.

178. SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python / P. Virtanen, R. Gommers, T. E. Oliphant [и др.] // Nature Methods. — 2020. — Т. 17. — С. 261—272.

179. McKinney W. Data Structures for Statistical Computing in Python // Proceedings of the 9th Python in Science Conference. — 2010. — С. 56—61.

180. The Hitchhiker's Guide to Statistical Significance Tests for Natural Language Processing / R. Dror [и др.] // Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). — 2018. — С. 1383—1392. — (ACL 2018).

181. Demsar J. Statistical Comparisons of Classifiers over Multiple Data Sets // Journal of Machine Learning Research. — 2006. — Т. 7. — С. 1—30.

182. Efron B., Tibshirani R. J. An Introduction to the Bootstrap. — London : Chapman & Hall/CRC, 1994.

183. Koehn P. Statistical Significance Tests for Machine Translation Evaluation // Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing. — 2004. — C. 388—395. — (EMNLP 2004).

184. Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour / P. Goyal, P. Dollar, R. Girshick [h gp.] // arXiv preprint arXiv:1706.02677. — 2017. — URL: https://arxiv.org/abs/1706.02677.

185. Hidden Technical Debt in Machine Learning Systems / D. Sculley, G. Holt, D. Golovin [h gp.] // Advances in Neural Information Processing Systems 28. — 2015.

— C. 2503—2511. — (NeurIPS 2015).

186. Rantala L., Mäntylä M. Predicting Technical Debt from Commit Contents: Reproduction and Extension with Automated Feature Selection // Software Quality Journal. — 2020. — T. 28. — C. 1551—1579. — DOI: 10.1007/s11219-020-09520-3.

187. A Large-Scale Empirical Study of Just-in-Time Quality Assurance / Y. Kamei [h gp.] // IEEE Transactions on Software Engineering. — 2013. — T. 39, № 6. — C. 757—773. — DOI: 10.1109/TSE.2012.70.

188. Drummond C. Replicability is not Reproducibility: Nor is it Good Science // Proc. of Evaluation Methods for Machine Learning. — 2009.

189. Prechelt L. Early Stopping—But When? // b Neural Networks: Tricks of the Trade / G. Montavon, G. B. Orr, h K.-R. Müller - Berlin, Heidelberg : Springer - 2012 -C. 53—67.

190. Scaling Laws for Neural Language Models / J. Kaplan, S. McCandlish, T. Henighan [h gp.] // arXiv preprint arXiv:2001.08361. — 2020. — URL: https://arxiv.org/abs/2001.08361.

191. Systematic Literature Reviews in Software Engineering—A Systematic Literature Review / B. A. Kitchenham [h gp.] // Information and Software Technology. — 2009. — T. 51, № 1. — C. 7—15. — DOI: 10.1016/j.infsof.2008.09.009.

192. Wohlin C., Runeson P., Höst M. h gp. Experimentation in Software Engineering.

— Berlin, Heidelberg : Springer, 2012. — ISBN 978-3-642-29043-5. — DOI: 10.1007/978-3-642-29044-2.

193. Juristo N., Moreno A. M. Basics of Software Engineering Experimentation. — New York : Springer, 2001. — C. xxii+396. — ISBN 978-0-7923-7990-4. — DOI: 10.1007/978-1-4757-3325-3.

194. Holm S. A Simple Sequentially Rejective Multiple Test Procedure // Scandinavian Journal of Statistics. — 1979. — T. 6, № 2. — C. 65—70.

195. CodeT5: Identifier-aware Unified Pretrained Encoder-Decoder Models for Code Understanding and Generation / Y. Wang, W. Wang, S. Joty [h gp.] // Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. — 2021. — C. 8696—8708. — (EMNLP 2021). — URL: https://arxiv.org/abs/2109.00859.

196. See A., Liu P. J., Manning C. D. Get To The Point: Summarization with Pointer-Generator Networks // Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). — 2017. — C. 1073— 1083. — (ACL 2017). — URL: https://arxiv.org/abs/1704.04368.

197. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer / C. Raffel, N. Shazeer, A. Roberts [h gp.] // Journal of Machine Learning Research. — 2020. — T. 21, № 140. — C. 1—67.

198. Koehn P., Och F. J., Marcu D. Statistical Phrase-Based Translation // Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology. — 2003. — C. 127— 133. — (NAACL-HLT 2003).

199. Nickel M., Kiela D. Poincare embeddings for learning hierarchical representations // Advances in Neural Information Processing Systems 30. — Curran Associates, Inc., 2017. — C. 6338—6347. — (NIPS 2017).

200. Ganea O., Becigneul G., Hofmann T. Hyperbolic neural networks // Advances in Neural Information Processing Systems 31. — Curran Associates, Inc., 2018. — C. 5345—5355. — (NeurIPS 2018).

201. Hyperbolic Graph Convolutional Neural Networks / I. Chami [h gp.] // Advances in Neural Information Processing Systems 32. — Curran Associates, Inc., 2019. — C. 4869—4880. — (NeurIPS 2019).

202. Representation tradeoffs for hyperbolic embeddings / F. Sala [h gp.] // Proceedings of the 35th International Conference on Machine Learning. T. 80. — PMLR, 2018. — C. 4460—4469. — (ICML 2018).

203. Nickel M., Kiela D. Learning Continuous Hierarchies in the Lorentz Model of Hyperbolic Geometry // Proceedings of the 35th International Conference on Machine Learning. T. 80. — PMLR, 2018. — C. 3779—3788. — (ICML 2018).

ПРИЛОЖЕНИЕ А Сводная схема процесса генерации сообщений к коммитам с гиперболическим переранжированием

о

СП

Рисунок А.1 — Сводная схема процесса генерации сообщений к коммитам с гиперболическим переранжированием

Для компактности в схеме приняты соответствия: Скв = Скв, Кк (С&) = Жк (С&), = , С = В схеме обозначает взвешенный центроид Фреше; в используемой конфигурации применяется невзвешенный случай шк = 1, поэтому = Обозначение в блоке центроида следует читать как dDc, т. е. .

ПРИЛОЖЕНИЕ Б Акт внедрения результатов диссертационной работы

федеральная служба по надзору в сфере образования и науки

Федеральное государственное автономное научное учреждение "Центр информационных технологий и систем органов исполнительной власти

имени A.B. Старовойтова" (ФГАНУ ЦИТиС)

Пресненский Вал ул., д. 19, стр. 1, Москва, 123557. Тел. [phone]; факс [phone] http://www.citis.ru; e-mail: [e-mail] ОГРН 5087746697528; ИНН/КПП 7703682920/770301001

Ш IOZC

на №-

Г

№

ОТ-

I - /4СП

и

ЖДАЮ

ia ФГАНУ ЦИТиС

В.Н. Труфанов 2025 г.

П

АКТ ВНЕДРЕНИЯ

результатов диссертационной работы Косьяненко Ивана Александровича «Структурно-семантические методы повышения качества сопровождения программных систем на основе автоматической генерации сообщений к коммитам» на соискание ученой степени кандидата технических наук

Комиссия в составе председателя - начальника Центра образовательной деятельности и подготовки научных кадров ФГАНУ ЦИТиС Журавлева Игоря Валентиновича; членов комиссии: заместителя начальника Научно-технического центра защиты специальных систем ФГАНУ ЦИТиС Мухунова Станислава Анатольевича; начальника отдела Научно-технического центра защиты специальных систем ФГАНУ ЦИТиС Горбачева Андрея Дмитриевича, ведущего специалиста Центра образовательной деятельности и подготовки научных кадров ФГАНУ ЦИТиС, кандидата технических наук Фоминой Ольги Алексеевны, настоящим актом подтверждает, что ряд результатов диссертационной работы Косьяненко И.А. на соискание ученой степени кандидата технических наук «Структурно-семантические методы повышения качества сопровождения программных систем на основе автоматической генерации сообщений к коммитам» использовались при создании систем автоматизированного документирования изменений программного кода при организации корпоративного обучения в ФГАНУ ЦИТиС.

Предложенные автором модели, методы и программные средства использовались для реализации процессов автоматизированного формирования

документации к изменениям в системах управления версиями. Использование разработанного Косьяненко И.А. программного комплекса RAG-Hyp (Retrieval-Augmented Generation with Hyperbolic reranking) и метода структурно-семантического переранжирования с использованием гиперболических представлений в пространстве Пуанкаре позволило получить следующие результаты: точность идентификации контекста изменений — 87%, полнота охвата структурных зависимостей — 91%, снижение времени формирования артефактов сопровождения - в 2 раза.

Корпус данных для валидации включал: обучающую выборку — 73 500 записей, валидационную — 15 750 записей, тестовую — 15 750 записей.

Внедрение результатов диссертационной работы обеспечило повышение качества корпоративного обучения в части процессов жизненного цикла программных средств.

Председатель комиссии:

Начальник Центра образовательной деятельности

и подготовки научных кадров ФГАНУ ЦИТиС

И.В. Журавлев

Члены комиссии:

Заместитель начальника Научно-технического центр защиты специальных систем ФГАНУ ЦИТиС

Начальник отдела Научно-технического центра защиты специальных систем ФГАНУ ЦИТиС

А.Д. Горбачев

Ведущий специалист Центра образовательной деятельности и подготовки научных кадров ФГАНУ ЦИТиС кандидат технических наук