自动代码编辑推荐综述

doi:10.11772/j.issn.1001-9081.2025040486

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (4): 1227-1237.DOI: 10.11772/j.issn.1001-9081.2025040486

• 计算机软件技术 • 上一篇

自动代码编辑推荐综述

陈浩轩¹, 叶培昌¹, 刘磊², 刘承明¹, 胡文华³()

^1.武汉理工大学计算机与人工智能学院，武汉 430070
^2.西安交通大学电子科学与工程学院，西安 710049
^3.交通物联网技术湖北省重点实验室（武汉理工大学），武汉 430070

收稿日期:2025-05-06 修回日期:2025-07-06 接受日期:2025-07-08 发布日期:2025-07-23 出版日期:2026-04-10
通讯作者: 胡文华
作者简介:陈浩轩（2002—），男，湖北黄冈人，硕士研究生，主要研究方向：智能软件工程
叶培昌（1997—），男，江西上饶人，硕士研究生，主要研究方向：智能软件工程
刘磊（2002—），男，湖南益阳人，硕士研究生，主要研究方向：智能软件工程
刘承明（2005—），男，湖北武汉人，主要研究方向：智能软件工程
基金资助:
国家自然科学基金资助项目(62202350)

Survey of automated code edit suggestion

Haoxuan CHEN¹, Peichang YE¹, Lei LIU², Chengming LIU¹, Wenhua HU³()

^1.School of Computer Science and Artificial Intelligence，Wuhan University of Technology，Wuhan Hubei 430070，China
^2.School of Electronic Science and Engineering，Xi’an Jiaotong University，Xi’an Shaanxi 710049，China
^3.Hubei Key Laboratory of Transportation Internet of Things （Wuhan University of Technology），Wuhan Hubei 430070，China

Received:2025-05-06 Revised:2025-07-06 Accepted:2025-07-08 Online:2025-07-23 Published:2026-04-10
Contact: Wenhua HU
About author:CHEN Haoxuan， born in 2002， M. S. candidate. His research interests include intelligent software engineering.
YE Peichang， born in 1997， M. S. candidate. His research interests include intelligent software engineering.
LIU Lei， born in 2002， M. S. candidate. His research interests include intelligent software engineering.
LIU Chengming， born in 2005. His research interests include intelligent software engineering.
Supported by:
National Natural Science Foundation of China(62202350)

摘要/Abstract

摘要：

代码编辑作为软件开发的核心环节，对软件系统的持续优化至关重要。随着代码编辑行为规律性的发现，自动代码编辑推荐（ACES）技术成为提升编辑效率和减少人工错误的关键方向。然而，现有研究存在成果分散、缺乏系统性整合和统一框架的问题。因此，围绕ACES技术展开系统性综述，全面回顾2004—2025年的相关研究成果。首先，梳理该领域研究的发表趋势，从传统智能方法、深度学习模型和大语言模型这3个维度总结推荐模型的技术演进和相关辅助技术的发展，并在此基础上，根据推荐任务的不同类型，将它们划分为基于上下文信息、基于任务描述与指令、基于历史编辑和基于输入输出示例的4类推荐任务，并详细阐述各类型任务的技术思路与研究成果；其次，通过剖析ACES的评价体系，系统性地介绍现有实验数据集的编程语言、编辑粒度、规模分布及代码的文本相似度和功能正确性等评价指标；最后，深入剖析当前研究现状，指出现有研究中的一系列突出挑战，并展望未来研究的潜在机遇，为该领域的进一步发展提供理论参考与方向指引。

关键词: 软件工程, 自动代码编辑推荐, 深度学习, 大语言模型, 代码变更

Abstract:

Code editing， as a core component of software development， is crucial for the continuous optimization of software systems. With the discovery of regularities in code editing behaviors， Automated Code Edit Suggestion （ACES） techniques have emerged as a key direction to enhance editing efficiency and reduce human errors. However， the existing research suffers from issues such as scattered findings， and lack of systematic integration and a unified framework. Therefore， a systematic review of ACES techniques was conducted， reviewing relevant research findings published from 2004 to 2025 comprehensively. Firstly， the publication trends in this field were sorted out， and the technical evolution of suggestion models along with the development of related auxiliary technologies were summed up from three dimensions： traditional intelligent methods， deep learning models， and large language models. Based on the above， suggestion tasks were classified into four different types： context information-based， task descriptions and instructions-based， historical edits-based， and input-output examples-based suggestion tasks， and the technical approaches and research findings of each task type were elaborated in detail. Secondly， through analysis of the ACES evaluation systems， the programming languages， editing granularity， scale distribution of the existing evaluation datasets， as well as evaluation metrics such as text similarity and functional correctness of the code were introduced systematically. Finally， an in-depth analysis of the current research status was conducted， a series of prominent challenges in the research were identified， and potential future opportunities were prospected， providing theoretical references and directional guidance for the further development of this field.

Key words: software engineering, Automated Code Edit Suggestion (ACES), deep learning, large language model, code change

中图分类号:

TP311.5

陈浩轩, 叶培昌, 刘磊, 刘承明, 胡文华. 自动代码编辑推荐综述[J]. 计算机应用, 2026, 46(4): 1227-1237.

Haoxuan CHEN, Peichang YE, Lei LIU, Chengming LIU, Wenhua HU. Survey of automated code edit suggestion[J]. Journal of Computer Applications, 2026, 46(4): 1227-1237.

图/表 13

参考文献 58

[1]	DZVONYAR D， KRUSCHE S， ALKADHI R， et al. Context-aware user feedback in continuous software evolution［C］// Proceedings of the 2016 IEEE/ACM International Workshop on Continuous Software Evolution and Delivery. New York： ACM， 2016： 12-18.
[2]	陈桌，张丽萍，王春晖. 基于软件代码演化信息的克隆谱系提取方法［J］. 计算机应用， 2016， 36（12）： 3461-3467.
	CHEN Z， ZHANG L P， WANG C H. Clone genealogy extraction method based on software code evolution information［J］. Journal of Computer Applications， 2016， 36（12）： 3461-3467.
[3]	刘忠鑫，唐郅杰，夏鑫，等. 代码变更表示学习及其应用研究进展［J］. 软件学报， 2023， 34（12）： 5501-5526.
	LIU Z X， TANG Z J， XIA X， et al. Research progress of code change representation learning and its application［J］. Journal of Software， 2023， 34（12）： 5501-5526.
[4]	BOSU A， CARVER J C. Impact of peer code review on peer impression formation： a survey［C］// Proceedings of the 2013 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement. Piscataway： IEEE， 2013： 133-142.
[5]	BOEHM B W. Software engineering［J］. IEEE Transactions on Computers， 1976， C-25（12）： 1226-1241.
[6]	LEHMAN M M， BELADY L A. Program evolution： processes of software change［M］. London： Academic Press， 1985.
[7]	NGUYEN H A， NGUYEN A T， NGUYEN T T， et al. A study of repetitiveness of code changes in software evolution［C］// Proceedings of the 28th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2013： 180-190.
[8]	GitHub. Real-world code changes［EB/OL］. ［2025-06-29］..
[9]	LI J， LI G， LI Z， et al. CodeEditor： learning to edit source code with pre-trained models［J］. ACM Transactions on Software Engineering and Methodology， 2023， 32（6）： No.143.
[10]	Microsoft. Visual Studio homepage［EB/OL］. ［2025-07-05］..
[11]	Foundation Eclipse. Eclipse homepage ［EB/OL］. ［2025-07-05］..
[12]	KEELE S. Guidelines for performing systematic literature reviews in software engineering［R/OL］. ［2025-07-05］..
[13]	PETERSEN K， VAKKALANKA S， KUZNIARZ L. Guidelines for conducting systematic mapping studies in software engineering： an update［J］. Information and Software Technology， 2015， 64： 1-18.
[14]	WATSON C， COOPER N， PALACIO D N， et al. A systematic literature review on the use of deep learning in software engineering research［J］. ACM Transactions on Software Engineering and Methodology， 2022， 31（2）： No.32.
[15]	YING A T T， MURPHY G C， NG R， et al. Predicting source code changes by mining change history［J］. IEEE Transactions on Software Engineering， 2004， 30（9）： 574-586.
[16]	ZIMMERMANN T， ZELLER A， WEISSGERBER P， et al. Mining version histories to guide software changes［J］. IEEE Transactions on Software Engineering， 2005， 31（6）： 429-445.
[17]	ZHANG Y， BAJPAI Y， GUPTA P， et al. Overwatch： learning patterns in code edit sequences［J］. Proceedings of the ACM on Programming Languages， 2022， 6（OOPSLA2）： 395-423.
[18]	BOSHERNITSAN M， GRAHAM S L， HEARST M A. Aligning development tools with the way programmers think about code changes［C］// Proceedings of the 2007 SIGCHI Conference on Human Factors in Computing Systems. New York： ACM， 2007： 567-576.
[19]	RAY B， NAGAPPAN M， BIRD C， et al. The uniqueness of changes： characteristics and applications［C］// Proceedings of the IEEE/ACM 12th Working Conference on Mining Software Repositories. Piscataway： IEEE， 2015： 34-44.
[20]	ROLIM R， SOARES G， D’ANTONI L， et al. Learning syntactic program transformations from examples［C］// Proceedings of the IEEE/ACM 39th International Conference on Software Engineering. Piscataway： IEEE， 2017： 404-415.
[21]	ROBBES R， LANZA M. Example-based program transformation［C］// Proceedings of the 2008 International Conference on Model Driven Engineering Languages and Systems， LNCS 5301. Berlin： Springer， 2008： 174-188.
[22]	MENG N， KIM M， McKINLEY K S. Sydit： creating and applying a program transformation from an example［C］// Proceedings of the 19th ACM SIGSOFT Symposium on the Foundations of Software Engineering and 13th European Software Engineering Conference. New York： ACM， 2011： 440-443.
[23]	ANDERSEN J， NGUYEN A C， LO D， et al. Semantic patch inference［C］// Proceedings of the 27th IEEE/ACM International Conference on Automated Software Engineering. New York： ACM， 2012： 382-385.
[24]	MENG N， KIM M， McKINLEY K S. LASE： locating and applying systematic edits by learning from examples［C］// Proceedings of the 35th International Conference on Software Engineering. Piscataway： IEEE， 2013： 502-511.
[25]	MILTNER A， GULWANI S， LE V， et al. On the fly synthesis of edit suggestions［J］. Proceedings of the ACM on Programming Languages， 2019， 3（OOPSLA）： No.143.
[26]	LI P， ZHANG X， YAO Z， et al. Code editing from few exemplars by adaptive multi-extent composition［EB/OL］. ［2025-07-05］..
[27]	GAO X， BARKE S， RADHAKRISHNA A， et al. Feedback-driven semi-supervised synthesis of program transformations［J］. Proceedings of the ACM on Programming Languages， 2020， 4（OOPSLA）： No.219.
[28]	YIN P， NEUBIG G， ALLAMANIS M， et al. Learning to represent edits［EB/OL］. ［2025-07-05］..
[29]	BRODY S， ALON U， YAHAV E. A structural model for contextual code changes［J］. Proceedings of the ACM on Programming Languages， 2020， 4（OOPSLA）： No.215.
[30]	CHAKRABORTY S， DING Y， ALLAMANIS M， et al. CODIT： code editing with tree-based neural models［J］. IEEE Transactions on Software Engineering， 2022， 48（4）： 1385-1399.
[31]	YAO Z， XU F F， YIN P， et al. Learning structural edits via incremental tree transformations［EB/OL］. ［2025-07-05］..
[32]	HOANG T， KANG H J， LO D， et al. CC2Vec： distributed representations of code changes［C］// Proceedings of the ACM/IEEE 42nd International Conference on Software Engineering. New York： ACM， 2020： 518-529.
[33]	CONNOR A， HARRIS A， COOPER N， et al. Can we automatically fix bugs by learning edit operations？［C］// Proceedings of the 2022 IEEE International Conference on Software Analysis， Evolution and Reengineering. Piscataway： IEEE， 2022： 782-792.
[34]	CHEN J， HU X， LI Z， et al. Code search is all you need？ improving code suggestions with code search［C］// Proceedings of the IEEE/ACM 46th International Conference on Software Engineering. Piscataway： IEEE， 2024： 880-892.
[35]	CHAKRABORTY S， RAY B. On multi-modal learning of editing source code［C］// Proceedings of the 36th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2021： 443-455.
[36]	ZHANG J， PANTHAPLACKEL S， NIE P， et al. CoditT5： pretraining for source code and natural language editing［C］// Proceedings of the 37th IEEE/ACM International Conference on Automated Software Engineering. New York： ACM， 2022： No.22.
[37]	LIN B， WANG S， LIU Z， et al. CCT5： a code-change-oriented pre-trained model［C］// Proceedings of the 31st ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering. New York： ACM， 2023： 1509-1521.
[38]	TUFANO M， AGARWAL A， JANG J， et al. AutoDev： automated AI-driven development［EB/OL］. ［2025-07-05］..
[39]	BAIRI R， SONWANE A， KANADE A， et al. CodePlan： repository-level coding using LLMs and planning［J］. Proceedings of the ACM on Software Engineering， 2024， 1（FSE）： 675-698.
[40]	KOVRIGIN A. Reasoning for repository-level code editing［D/OL］. ［2025-06-29］..
[41]	LIU C， CETIN P， PATODIA Y， et al. Automated code editing with search-generate-modify［J］. IEEE Transactions on Software Engineering， 2024， 50（7）：1675-1686.
[42]	LI K， HU Q， ZHAO J X， et al. InstructCoder： instruction tuning large language models for code editing［C］// Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics （Volume 4： Student Research Workshop）. Stroudsburg： ACL， 2024： 473-493.
[43]	GUPTA P， KHARE A， BAJPAI Y， et al. Grace： language models meet code edits［C］// Proceedings of the 31st ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering. New York： ACM， 2023： 1483-1495.
[44]	WEI J， DURRETT G， DILLIG I. Coeditor： leveraging contextual changes for multi-round code auto-editing［EB/OL］. ［2025-07-05］..
[45]	LIU C， CAI Y， LIN Y， et al. CoEdPilot： recommending code edits with learned prior edit relevance， project-wise awareness， and interactive nature［C］// Proceedings of the 33rd ACM SIGSOFT International Symposium on Software Testing and Analysis. New York： ACM， 2024： 466-478.
[46]	GUO J， LI Z， LIU X， et al. CodeEditorBench： evaluating code editing capability of large language models［EB/OL］. ［2025-07-05］..
[47]	FAKHOURY S， CHAKRABORTY S， MUSUVATHI M， et al. Towards generating functionally correct code edits from natural language issue descriptions［EB/OL］. ［2025-07-05］..
[48]	LIU Y， TANTITHAMTHAVORN C， LIU Y， et al. Automatically recommend code updates： are we there yet？［J］. ACM Transactions on Software Engineering and Methodology， 2024， 33（8）： No.217.
[49]	MOZANNAR H， BANSAL G， FOURNEY A， et al. Reading between the lines： modeling user behavior and costs in AI-assisted programming［C］// Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems. New York： ACM， 2024： No.142.
[50]	CASSANO F， LI L， SETHI A， et al. Can it edit？ evaluating the ability of large language models to follow code editing instructions［EB/OL］. ［2025-07-05］..
[51]	CHAKRABORTY S. Learning to edit code： towards building general purpose models for source code editing［D/OL］. ［2025-07-05］..
[52]	NGUYEN N， NADI S. An empirical evaluation of GitHub copilot’s code suggestions［C］// Proceedings of the 19th International Conference on Mining Software Repositories. New York： ACM， 2022： 1-5.
[53]	TUFANO M， PANTIUCHINA J， WATSON C， et al. On learning meaningful code changes via neural machine translation［C］// Proceedings of the IEEE/ACM 41st International Conference on Software Engineering. Piscataway： IEEE， 2019： 25-36.
[54]	PAPINENI K， ROUKOS S， WARD T， et al. BLEU： a method for automatic evaluation of machine translation［C］// Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2002： 311-318.
[55]	MUTTON A， DRAS M， WAN S， et al. GLEU： automatic evaluation of sentence-level fluency［C］// Proceedings of the 45th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2007： 344-351.
[56]	CHEN M， TWOREK J， JUN H， et al. Evaluating large language models trained on code［EB/OL］. ［2025-06-17］..
[57]	PAPERSWITHCODE. HumanEval Leaderboard［EB/OL］. ［2025-07-06］..
[58]	The Astropy Project. Convert NoConvergence errors to warnings in world_to_pixel_values［EB/OL］. ［2025-07-06］..

ACES任务	任务类型描述	主要输入
基于上下文信息的推荐	结合代码所在上下文理解需求，提供编辑	被编辑代码、代码上下文
基于任务描述与指令的推荐	依据用户明确指令或任务定义提供编辑	用户指令、被编辑代码
基于历史编辑的推荐	分析历史编辑模式，复用过往经验提供推荐	被编辑代码、历史编辑
基于输入输出示例的推荐	通过输入输出示例映射关系学习提供推荐	被编辑代码、输入输出示例

ACES任务	任务类型描述	主要输入
基于上下文信息的推荐	结合代码所在上下文理解需求，提供编辑	被编辑代码、代码上下文
基于任务描述与指令的推荐	依据用户明确指令或任务定义提供编辑	用户指令、被编辑代码
基于历史编辑的推荐	分析历史编辑模式，复用过往经验提供推荐	被编辑代码、历史编辑
基于输入输出示例的推荐	通过输入输出示例映射关系学习提供推荐	被编辑代码、输入输出示例

工具名称	推荐模型	辅助技术	语言	推荐粒度	输入内容	输出内容
CodeEditor^［9］	定制预训练模型		Java	Method	被编辑代码、上下文	编辑后代码
CCT5^［37］	定制预训练模型		多语言	Method	被编辑代码、上下文	编辑后代码
Hephaestus^［33］	传统序列语言模型		Java	Method	被编辑代码	编辑操作序列
Graph2Edit^［31］	LSTM网络	语法树分析	C#	Method	被编辑代码	编辑操作序列
CODIT^［30］	LSTM网络	语法树分析	Java	Method	被编辑代码、上下文	编辑后代码

工具名称	推荐模型	辅助技术	语言	推荐粒度	输入内容	输出内容
CodeEditor^［9］	定制预训练模型		Java	Method	被编辑代码、上下文	编辑后代码
CCT5^［37］	定制预训练模型		多语言	Method	被编辑代码、上下文	编辑后代码
Hephaestus^［33］	传统序列语言模型		Java	Method	被编辑代码	编辑操作序列
Graph2Edit^［31］	LSTM网络	语法树分析	C#	Method	被编辑代码	编辑操作序列
CODIT^［30］	LSTM网络	语法树分析	Java	Method	被编辑代码、上下文	编辑后代码

工具名称	推荐模型	辅助技术	语言	推荐粒度	输入内容	输出内容
SarGaM^［41］	通用大语言模型	检索增强	Java	Method	被编辑代码、上下文、描述	编辑后代码
Chen24^［34］	传统序列、通用大语言模型	检索增强	Java，Python	Method	被编辑代码、上下文、描述	编辑后代码
Kovrigin24^［40］	通用大语言模型	检索增强	Python	Repository	被编辑代码、上下文、描述	编辑后代码
CodePlan^［39］	通用、微调大语言模型		C#，Python	Repository	被编辑代码、上下文、描述	编辑后代码
AutoDev^［38］	通用大语言模型		Python	File	被编辑代码、上下文、描述	编辑后代码
InstructCoder^［42］	微调大语言模型		Python	Method	被编辑代码、上下文、描述	编辑后代码
CoditT5^［36］	定制预训练、微调大语言模型		Java	Method	被编辑代码、上下文、描述	编辑后代码
MODIT^［35］	定制预训练、微调大语言模型		Java	Method	被编辑代码、上下文、描述	编辑后代码
iXj^［18］	基于规则		Java	Method	被编辑代码、用户指令	编辑后代码

自动代码编辑推荐综述

Survey of automated code edit suggestion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 58

相关文章 15

编辑推荐

Metrics

工具名称	推荐模型	辅助技术	语言	推荐粒度	输入内容	输出内容
CoEdPilot^［45］	微调大语言模型	数据处理	多语言	Repository	代码库、历史编辑、描述	编辑后代码
Coeditor^［44］	微调大语言模型	数据处理	Python	File	历史编辑、被编辑代码、上下文	编辑后代码
Grace^［43］	微调大语言模型		多语言	File	历史编辑、被编辑代码、上下文	编辑后代码
Overwatch^［17］	基于关联规则		C#	File	代码库、历史编辑	编辑操作序列
C³PO^［29］	LSTM、指针网络	语法树分析	C#	File	历史编辑、被编辑代码、上下文	编辑后代码
CC2Vec^［32］	门控神经单元	数据处理	多语言	File	代码库、历史编辑	编辑后代码
Blue-Pencil^［25］	基于示例、基于数据驱动	数据处理	C#、SQL	Line	代码库、历史编辑	编辑建议
Repertoire^［19］	基于规则、基于数据驱动		C、C++	Line	代码库、历史编辑	编辑后代码
Nguyen13^［7］	基于数据驱动		Java	Method	被编辑代码、历史编辑	编辑后代码
ROSE^［16］	基于关联规则挖掘		多语言	File	被编辑文件、历史编辑	编辑建议
Ying03^［15］	基于关联规则挖掘		C++、Java	File	被编辑文件、历史编辑	编辑建议

工具名称	推荐模型	辅助技术	语言	粒度	输入内容	输出内容
Gao20^［27］	基于示例	语法树分析、反馈学习	C#	Method	编辑示例对、被编辑代码	编辑操作序列
Li20^［26］	图神经网络、基于示例	语法树分析	多语言	Method	编辑示例对、被编辑代码	编辑后代码
Yin19^［28］	LSTM网络	语法树分析	C#	Line	编辑示例对、被编辑代码	编辑后代码
Refazer^［20］	基于规则、基于示例	语法树分析	Python，C#	Method	编辑示例对、被编辑代码	编辑操作序列
LASE^［24］	基于示例	—	Java	Method	编辑示例对、被编辑代码	编辑脚本
spdiff^［23］	基于示例	—	C	Method	编辑示例对、被编辑代码	编辑后代码
Sydit^［22］	基于示例	—	Java	Method	编辑示例对、被编辑代码	编辑脚本
Robbes08^［21］	基于示例	—	Smalltalk	Method	编辑示例对、被编辑代码	编辑脚本

类别	性能指标	说明
基于文本相似度	EM	比较生成文本与目标文本是否完全匹配
	ES	计算生成文本转换为目标文本所需要的最少编辑次数，并归一化
	ED	计算生成文本转换为目标文本所需的最少编辑操作数
基于语言相似度	BLEU	基于n-gram的重合度，计算生成文本与参考文本的相似性
基于语言相似度	GLEU	基于n-gram重合的另一种评估方法，适合短文本评估
基于预测分类性能	Recall	实际为正的样本中被正确预测为正的比例，反映模型的召回能力
	Accuracy	正确预测的比例，衡量模型的整体准确性
	Precision	正类预测中实际为正的比例，反映模型的精确性
基于功能正确性	Pass@k	衡量在前k个预测中是否有正确的修改
基于运行效率	Execute Time	任务完成所需的时间，衡量系统的效率或响应速度

[1]	王晓宇, 李欣, 薛迪, 蒋章涛, 王威, 肖岩军. 基于大语言模型的视频监控网络安全漏洞分类框架[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1158-1170.
[2]	师凯洲, 何旋, 候国义, 李根, 李泷杲, 黄翔. 基于大语言模型的机载产品计量溯源知识图谱构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1086-1095.
[3]	张健, 于剑波, 汤健. 基于多层预处理的城市固废焚烧状态识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 940-949.
[4]	张昊洋, 张丽萍, 闫盛, 李娜, 张学飞. 面向知识图谱补全的大模型方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 683-695.
[5]	余松森, 何皇, 薛国鹏, 崔恒拓. 基于改进FENet的瓷砖色差量化分级方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 959-968.
[6]	吴定佳, 崔喆. 增强模式链接与多生成器协同的SQL生成框架MG-SQL[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 723-731.
[7]	沈斌, 陈晓宁, 程华, 房一泉, 王慧锋. 基于大语言模型的本科教学评估智能系统[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 993-1003.
[8]	陈敏, 秦小林, 李绍涵, 杨昊, 李韬弘. 深度学习应用于强对流天气预测的综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 980-992.
[9]	王日龙, 李振平, 李晓松, 高强, 何亚, 钟勇, 赵英潇. 多Agent协作的知识推理框架[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 708-714.
[10]	姜勇维, 陈晓清, 付麟杰. 基于频谱分解的高频保持医学图像弹性配准模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 924-932.
[11]	郗恩康, 范菁, 金亚东, 董华, 俞浩, 孙伊航. 联邦学习在隐私安全领域面临的威胁综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 798-808.
[12]	黄奕明, 邹喜华, 邓果, 郑狄. 预回答与召回过滤：双阶段RAG问答系统优化方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 696-707.
[13]	高飞, 陈董, 边帝行, 范文强, 刘起东, 吕培, 张朝阳, 徐明亮. 面向学科撤销后科研人员重分配的多阶段耦合决策框架[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 416-426.
[14]	姜皓骞, 张东, 李冠宇, 陈恒. 基于结构增强的层次化任务导向提示策略的对话推荐系统SetaCRS[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 368-377.
[15]	付锦程, 杨仕友. 基于贝叶斯优化和特征融合混合模型的短期风电功率预测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 652-658.