On Unified Prompt Tuning for Request Quality Assurance in Public Code Review

公共代码审查（PCR）可以通过软件问答（SQA）社区实现，这有助于高效传播知识。目前的方法主要关注审阅人员的角度，包括寻找有能力的审阅人员、预测评论质量以及推荐/生成审阅评论。我们的直觉是，满足审阅需求请求可以增加其可见性，从而为更好的审阅响应奠定基础。为此，我们提出了一个统一框架UniPCR，用于在遮蔽语言模型（MLM）下完成基于开发人员的请求质量保证（即预测请求必要性和推荐标签子任务）。具体来说，我们通过以下两种方式重新构造两个子任务：1）文本提示调整，使用硬提示构建提示模板将两个子任务转换为MLM；2）代码前缀调整，使用软提示优化生成的连续向量的小段作为代码表示的前缀。对于时间跨度为2011-2022的公共代码审查数据集的实验结果表明，我们的UniPCR框架适应了这两个子任务，并且在请求质量保证方面的准确性方面优于基于准确性的可比较结果和最先进的方法。这些结论突显了我们的统一框架从开发人员的角度在公共代码审查中的有效性。

本论文旨在提出一种名为UniPCR的框架，通过软件问答社区实现公共代码审查，并从开发者的角度完成请求质量保证的任务，包括预测请求的必要性和推荐标签。

UniPCR框架通过1）文本提示调整和2）代码前缀调整来优化Masked Language Model（MLM）模型，以解决开发者请求质量保证的任务。该框架的关键思路是将两个子任务转化为MLM模型，使用硬提示构建提示模板，同时使用软提示优化生成的连续向量的小段作为代码表示的前缀。

该论文的实验结果表明，UniPCR框架适用于两个子任务，并且在公共代码审查数据集上的表现优于同类基于准确性的方法和最先进的方法。值得关注的是，该框架从开发者的角度出发，为公共代码审查提供了一种新的解决方案。

最近在这个领域中，还有一些相关的研究，例如：“A Survey on Code Review Systems”和“Automated Code Review with Machine Learning Techniques: A Survey”。