koakande/github-issues

Name: koakande/github-issues
Creator: koakande
Published: 2023-12-21 15:52:38
License: 暂无描述

Hugging Face2023-12-21 更新2024-03-04 收录

下载链接：

https://hf-mirror.com/datasets/koakande/github-issues

下载链接

链接失效反馈

官方服务：

资源简介：

--- dataset_info: features: - name: url dtype: string - name: repository_url dtype: string - name: labels_url dtype: string - name: comments_url dtype: string - name: events_url dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: number dtype: int64 - name: title dtype: string - name: user struct: - name: avatar_url dtype: string - name: events_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: gravatar_id dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: login dtype: string - name: node_id dtype: string - name: organizations_url dtype: string - name: received_events_url dtype: string - name: repos_url dtype: string - name: site_admin dtype: bool - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: type dtype: string - name: url dtype: string - name: labels list: - name: color dtype: string - name: default dtype: bool - name: description dtype: string - name: id dtype: int64 - name: name dtype: string - name: node_id dtype: string - name: url dtype: string - name: state dtype: string - name: locked dtype: bool - name: assignee struct: - name: avatar_url dtype: string - name: events_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: gravatar_id dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: login dtype: string - name: node_id dtype: string - name: organizations_url dtype: string - name: received_events_url dtype: string - name: repos_url dtype: string - name: site_admin dtype: bool - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: type dtype: string - name: url dtype: string - name: assignees list: - name: avatar_url dtype: string - name: events_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: gravatar_id dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: login dtype: string - name: node_id dtype: string - name: organizations_url dtype: string - name: received_events_url dtype: string - name: repos_url dtype: string - name: site_admin dtype: bool - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: type dtype: string - name: url dtype: string - name: milestone struct: - name: closed_at dtype: string - name: closed_issues dtype: int64 - name: created_at dtype: string - name: creator struct: - name: avatar_url dtype: string - name: events_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: gravatar_id dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: login dtype: string - name: node_id dtype: string - name: organizations_url dtype: string - name: received_events_url dtype: string - name: repos_url dtype: string - name: site_admin dtype: bool - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: type dtype: string - name: url dtype: string - name: description dtype: string - name: due_on dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: labels_url dtype: string - name: node_id dtype: string - name: number dtype: int64 - name: open_issues dtype: int64 - name: state dtype: string - name: title dtype: string - name: updated_at dtype: string - name: url dtype: string - name: comments dtype: int64 - name: created_at dtype: timestamp[ns, tz=UTC] - name: updated_at dtype: timestamp[ns, tz=UTC] - name: closed_at dtype: timestamp[ns, tz=UTC] - name: author_association dtype: string - name: active_lock_reason dtype: float64 - name: body dtype: string - name: reactions struct: - name: '+1' dtype: int64 - name: '-1' dtype: int64 - name: confused dtype: int64 - name: eyes dtype: int64 - name: heart dtype: int64 - name: hooray dtype: int64 - name: laugh dtype: int64 - name: rocket dtype: int64 - name: total_count dtype: int64 - name: url dtype: string - name: timeline_url dtype: string - name: performed_via_github_app dtype: float64 - name: state_reason dtype: string - name: draft dtype: float64 - name: pull_request struct: - name: diff_url dtype: string - name: html_url dtype: string - name: merged_at dtype: string - name: patch_url dtype: string - name: url dtype: string - name: is_pull_request dtype: bool splits: - name: train num_bytes: 19882005 num_examples: 6493 download_size: 4841547 dataset_size: 19882005 configs: - config_name: default data_files: - split: train path: data/train-* ---

提供机构：

koakande

原始信息汇总

数据集概述

数据集特征

基本信息

url: 字符串类型
repository_url: 字符串类型
labels_url: 字符串类型
comments_url: 字符串类型
events_url: 字符串类型
html_url: 字符串类型
id: 64位整数类型
node_id: 字符串类型
number: 64位整数类型
title: 字符串类型
state: 字符串类型
locked: 布尔类型
comments: 64位整数类型
created_at: 时间戳类型，UTC时区
updated_at: 时间戳类型，UTC时区
closed_at: 时间戳类型，UTC时区
author_association: 字符串类型
active_lock_reason: 64位浮点数类型
body: 字符串类型
timeline_url: 字符串类型
performed_via_github_app: 64位浮点数类型
state_reason: 字符串类型
draft: 64位浮点数类型
is_pull_request: 布尔类型

用户信息

user: 结构体类型
- avatar_url: 字符串类型
- events_url: 字符串类型
- followers_url: 字符串类型
- following_url: 字符串类型
- gists_url: 字符串类型
- gravatar_id: 字符串类型
- html_url: 字符串类型
- id: 64位整数类型
- login: 字符串类型
- node_id: 字符串类型
- organizations_url: 字符串类型
- received_events_url: 字符串类型
- repos_url: 字符串类型
- site_admin: 布尔类型
- starred_url: 字符串类型
- subscriptions_url: 字符串类型
- type: 字符串类型
- url: 字符串类型

标签信息

labels: 列表类型
- color: 字符串类型
- default: 布尔类型
- description: 字符串类型
- id: 64位整数类型
- name: 字符串类型
- node_id: 字符串类型
- url: 字符串类型

指派信息

assignee: 结构体类型
- avatar_url: 字符串类型
- events_url: 字符串类型
- followers_url: 字符串类型
- following_url: 字符串类型
- gists_url: 字符串类型
- gravatar_id: 字符串类型
- html_url: 字符串类型
- id: 64位整数类型
- login: 字符串类型
- node_id: 字符串类型
- organizations_url: 字符串类型
- received_events_url: 字符串类型
- repos_url: 字符串类型
- site_admin: 布尔类型
- starred_url: 字符串类型
- subscriptions_url: 字符串类型
- type: 字符串类型
- url: 字符串类型

指派者信息

assignees: 列表类型
- avatar_url: 字符串类型
- events_url: 字符串类型
- followers_url: 字符串类型
- following_url: 字符串类型
- gists_url: 字符串类型
- gravatar_id: 字符串类型
- html_url: 字符串类型
- id: 64位整数类型
- login: 字符串类型
- node_id: 字符串类型
- organizations_url: 字符串类型
- received_events_url: 字符串类型
- repos_url: 字符串类型
- site_admin: 布尔类型
- starred_url: 字符串类型
- subscriptions_url: 字符串类型
- type: 字符串类型
- url: 字符串类型

里程碑信息

milestone: 结构体类型
- closed_at: 字符串类型
- closed_issues: 64位整数类型
- created_at: 字符串类型
- creator: 结构体类型
  - avatar_url: 字符串类型
  - events_url: 字符串类型
  - followers_url: 字符串类型
  - following_url: 字符串类型
  - gists_url: 字符串类型
  - gravatar_id: 字符串类型
  - html_url: 字符串类型
  - id: 64位整数类型
  - login: 字符串类型
  - node_id: 字符串类型
  - organizations_url: 字符串类型
  - received_events_url: 字符串类型
  - repos_url: 字符串类型
  - site_admin: 布尔类型
  - starred_url: 字符串类型
  - subscriptions_url: 字符串类型
  - type: 字符串类型
  - url: 字符串类型
- description: 字符串类型
- due_on: 字符串类型
- html_url: 字符串类型
- id: 64位整数类型
- labels_url: 字符串类型
- node_id: 字符串类型
- number: 64位整数类型
- open_issues: 64位整数类型
- state: 字符串类型
- title: 字符串类型
- updated_at: 字符串类型
- url: 字符串类型

反应信息

reactions: 结构体类型
- +1: 64位整数类型
- -1: 64位整数类型
- confused: 64位整数类型
- eyes: 64位整数类型
- heart: 64位整数类型
- hooray: 64位整数类型
- laugh: 64位整数类型
- rocket: 64位整数类型
- total_count: 64位整数类型
- url: 字符串类型

拉取请求信息

pull_request: 结构体类型
- diff_url: 字符串类型
- html_url: 字符串类型
- merged_at: 字符串类型
- patch_url: 字符串类型
- url: 字符串类型

数据集分割

train:
- num_bytes: 19882005
- num_examples: 6493

数据集大小

download_size: 4841547
dataset_size: 19882005

配置

config_name: default
- data_files:
  - split: train
  - path: data/train-*

搜集汇总

数据集介绍

构建方式

在软件开发和协作的生态系统中，GitHub Issue作为缺陷追踪、功能请求与任务管理的关键载体，承载了丰富的语义信息。koakande/github-issues数据集正是基于GitHub官方REST API，通过系统化采集与结构化处理构建而成。该数据集将每个Issue的元数据，包括标题、正文、标签、状态、指派人、里程碑、评论数及反应等，以JSON格式进行规范化存储。数据采集范围覆盖了Issue的完整生命周期，从创建、更新到关闭的时间戳均被精确记录，从而确保了数据在时间维度上的连续性与完整性。最终，数据集以单次训练集划分形式呈现，包含6493条样本，为后续分析提供了坚实的数据基础。

特点

该数据集最显著的特点在于其多维度的结构化信息整合。它不仅包含了Issue的核心文本内容（标题与正文），还细致记录了用户交互的方方面面，如评论数量、各类反应（+1、-1、爱心等）的计数，以及指派人、标签和里程碑等协作管理要素。尤为重要的是，数据集通过布尔字段明确区分了普通Issue与拉取请求，并提供了拉取请求的详细链接。这种丰富的结构设计使得研究者能够从协作流程、情感分析、任务分配效率等多个角度进行深度挖掘，为理解开源社区的运作机制提供了全面而精细的数据视角。

使用方法

研究者可通过HuggingFace Datasets库便捷地加载该数据集，使用`load_dataset('koakande/github-issues')`即可获取训练集。数据以字典形式呈现，每一条记录代表一个完整的Issue信息。在应用层面，该数据集适用于多项自然语言处理任务，如基于标题与正文的Issue分类、标签推荐、状态预测等。研究者可提取`title`和`body`字段作为输入文本，利用`labels`或`state`字段作为监督信号，构建分类或回归模型。此外，`created_at`与`closed_at`时间戳可用于分析Issue的解决周期，而`comments`与`reactions`字段则能服务于社区活跃度与用户情感分析研究。

背景与挑战

背景概述

在软件工程与开源生态蓬勃发展的当下，GitHub作为全球最大的代码托管平台，其Issue（问题追踪）系统承载着开发者之间关于缺陷报告、功能请求、任务分配等核心协作活动。koakande/github-issues数据集应运而生，旨在系统化地捕获并结构化这些丰富的通信与元数据信息。该数据集由研究人员于近年创建，其核心研究问题聚焦于如何利用大规模、多模态的Issue数据推动软件工程领域的自动化分析，包括但不限于问题分类、优先级预测、开发者行为建模以及项目健康度评估。通过收录来自真实仓库的数千条Issue记录，该数据集涵盖了标题、正文、标签、用户信息、时间戳及反应等详尽字段，为自然语言处理、图神经网络及时序分析等前沿方法提供了宝贵的训练与评测基准，对提升开源协作效率与智能化项目管理具有显著影响力。

当前挑战

该数据集所面对的挑战首先源于其要解决的领域问题：GitHub Issue数据具有高度异构性，既有非结构化的自然语言文本，又包含标签、用户关联、时间序列等多维结构化信息，如何设计模型以有效融合并理解这种多模态语义，是当前自动化Issue处理的核心难点。此外，数据构建过程本身亦充满挑战：从海量仓库中筛选并爬取具有代表性的Issue实例，需应对API速率限制、数据噪声（如重复、拼写错误、不完整描述）以及标签体系不一致等问题。同时，Issue的时间动态性要求数据集能够反映项目演变过程中的状态变迁（如从开放到关闭），而不同仓库的协作文化差异进一步加剧了数据标注与泛化学习的复杂性。

常用场景

经典使用场景

在软件工程与自然语言处理交叉领域，GitHub Issues 数据集常被用于构建智能化的软件缺陷追踪与任务管理模型。研究者利用该数据集中丰富的结构化字段——包括标题、正文、标签、状态、评论数量及用户交互信息——训练分类器以自动预测 Issue 的优先级、严重程度或所属模块。基于 Transformer 架构的预训练语言模型（如 BERT 及其变体）在此场景中表现尤为突出，通过对 Issue 文本与元数据的联合编码，实现了对复杂语义关系的精准捕捉，从而为大型开源项目的高效维护提供了数据驱动的决策支持。

衍生相关工作

基于该数据集，学界涌现了一系列经典工作。例如，Xia 等人提出的“Issue Triage”模型利用多标签分类与集成学习，实现了对 Issue 优先级与负责人的联合预测。另有研究将 Issue 文本与代码提交日志对齐，开发出缺陷定位与自动修复建议系统。在预训练模型兴起后，CodeBERT 与 GraphCodeBERT 等模型在此数据集上微调，用于跨语言 Issue 关联检测。这些衍生工作不仅提升了软件质量保障的自动化水平，还催生了如“智能软件维护”等新兴研究方向。

数据集最近研究