google/code_x_glue_cc_clone_detection_big_clone_bench

CodeXGLUE克隆检测-BigCloneBench数据集，用于训练模型以判断两个给定的Java方法是否为彼此的克隆。给定两个代码作为输入，任务是对其进行二元分类（0/1），其中1表示语义等价，0表示其他情况。模型通过F1分数进行评估。该数据集基于BigCloneBench，并按照论文《Detecting Code Clones with Graph Neural Network and Flow-Augmented Abstract Syntax Tree》进行了过滤。数据集的语言为Java编程语言，任务类型为语义相似性分类。

原始信息汇总

数据集概述

数据集名称

• 名称: CodeXGlueCcCloneDetectionBigCloneBench
• 别名: code_x_glue_cc_clone_detection_big_clone_bench

数据集属性

• 语言: Java
• 许可证: C-UDA
• 多语言性: 单语种
• 大小: 1M<n<10M
• 来源: 原始数据
• 任务类别: 文本分类
• 任务ID: semantic-similarity-classification

数据集结构

• 特征:

  • id: 整数，样本索引
  • id1: 整数，第一个函数ID
  • id2: 整数，第二个函数ID
  • func1: 字符串，第一个函数的完整文本
  • func2: 字符串，第二个函数的完整文本
  • label: 布尔值，1表示函数不等价，0表示其他

• 数据分割:

  • 训练集: 901028个样本，2888035029字节
  • 验证集: 415416个样本，1371399358字节
  • 测试集: 415416个样本，1220662565字节

数据集创建

• 源数据: 从IJaDataset 2.0数据集中挖掘
• 注释过程: 数据由三位评判者手动标记，通过搜索启发式自动识别潜在克隆

许可证信息

• 许可证: Computational Use of Data Agreement (C-UDA) License

引用信息

@inproceedings{svajlenko2014towards, title={Towards a big data curated benchmark of inter-project code clones}, author={Svajlenko, Jeffrey and Islam, Judith F and Keivanloo, Iman and Roy, Chanchal K and Mia, Mohammad Mamun}, booktitle={2014 IEEE International Conference on Software Maintenance and Evolution}, pages={476--480}, year={2014}, organization={IEEE} }

@inproceedings{wang2020detecting, title={Detecting Code Clones with Graph Neural Network and Flow-Augmented Abstract Syntax Tree}, author={Wang, Wenhan and Li, Ge and Ma, Bo and Xia, Xin and Jin, Zhi}, booktitle={2020 IEEE 27th International Conference on Software Analysis, Evolution and Reengineering (SANER)}, pages={261--271}, year={2020}, organization={IEEE} }

搜集汇总

背景与挑战

背景概述

该数据集用于代码克隆检测任务，包含Java方法的成对比较，目标是判断两个方法是否语义等价。数据集基于BigCloneBench构建，经过筛选，适用于训练和评估模型在代码克隆检测上的性能。