saridormi/commit-message-quality

这是一个用于提交信息质量分类的数据集，来源于Commit Message Generation dataset，并经过了清理和重新标记。数据集的目标是训练一个二分类器来过滤高质量的提交信息。数据集包含了每个提交的URL、原始信息、清理后的信息、原始标签、是否为高质量信息的布尔值、是否为低质量信息的布尔值以及二分类标签。

原始信息汇总

Commit Message Quality 数据集

数据集概述

该数据集用于提交信息质量分类，是处理提交信息生成数据集的一部分，源自Long Code Arena 基准。

这是一个经过清理和重新标记的版本，基于"Commit Message Matters: Investigating Impact and Evolution of Commit Message Quality", ICSE23的研究。数据集去除了“既不为什么也不做什么”的示例，清理了所有外部引用（URLs、问题/PR 引用），并手动标记每个样本，目的是训练一个二元提交信息质量分类器，用于数据过滤。

数据加载

通过以下代码加载数据集：

python from datasets import load_dataset

dataset = load_dataset("saridormi/commit-message-quality", split="test")

注意，所有数据都被视为测试集。

数据集结构

每个示例包含以下字段：

字段	描述
url	GitHub 上提交的链接。
original_message	原始数据集中的提交信息。
message	清理了外部引用的提交信息。
original_label	原始数据集中的提交信息标签（Why and What/No Why/No What）。
is_good	提交信息是否为高质量示例（布尔值）。
is_bad	提交信息是否为低质量示例（布尔值）。
binary_label	提交信息标签：1 表示高质量信息，0 表示低质量信息，null 表示不推荐用于分类器训练的信息。

数据点示例：

json { "url": "https://github.com/spring-projects/spring-boot/commit/7080500db9ecf1cf78ad23503280c713bb6e8649", "original_message": "Upgrade to Commons Lang3 3.6

Closes gh-9661", "message": "Upgrade to Commons Lang3 3.6", "original_label": "Why and What", "is_good": false, "is_bad": true, "binary_label": 0.0 }