GitHub Repository Deduplication Dataset是由雅典经济与商业大学创建的一个数据集，旨在解决GitHub项目复制和分叉导致的软件工程研究结果偏差问题。该数据集包含10649348个重复的GitHub项目，每个项目都与一个最终的父项目关联，这些父项目是根据六种度量标准进行排名的。数据集通过创建一个由18.2百万节点和12百万边组成的去噪图来计算相关项目，该图通过将边

arXiv2020-06-16 更新90

bigcode/stack-dedup-python-fns

Python编程语言

数据去重

--- dataset_info: features: - name: content dtype: string - name: id dtype: int64 splits: - name: train num_bytes: 5830516471 num_examples: 5359051 download_size: 277979509

Hugging Face2024-04-30 更新60

Product Catalog Deduplication Dataset

资源简介：

相关数据集