google/code_x_glue_cc_clone_detection_poj104

CodeXGLUE Clone-detection-POJ-104数据集用于代码克隆检测任务，输入为一个代码和一组候选代码，任务是返回语义相同的Top K代码。数据集使用POJ-104数据集，并采用MAP评分来评估模型。数据集包含C++编程语言的代码，分为训练集、验证集和测试集，分别包含32500、8500和12000个样本。每个样本包含id、code和label三个字段，其中id为样本索引，code为函数完整文本，label为源代码解决的问题的id。

原始信息汇总

数据集概述

数据集名称

• 名称: CodeXGlueCcCloneDetectionPoj104
• 别名: code_x_glue_cc_clone_detection_poj_104

数据集属性

• 语言: C++
• 许可证: C-UDA
• 多语言性: 单语种
• 大小: 10K<n<100K
• 源数据集: 原始数据
• 任务类别: 文本检索
• 任务ID: document-retrieval

数据集结构

• 特征:
  • id: 整数型 (int32)
  • code: 字符串型 (string)
  • label: 字符串型 (string)
• 分割:
  • train: 32500个样本，20179075字节
  • validation: 8500个样本，6382433字节
  • test: 12000个样本，7227506字节
• 下载大小: 13348734字节
• 数据集大小: 33789014字节

配置

• 默认配置:
  • train: 数据路径为data/train-*
  • validation: 数据路径为data/validation-*
  • test: 数据路径为data/test-*

数据实例

• 示例: json { "code": "...", "id": 0, "label": "home" }

数据字段

• 默认配置:
  • id: 样本索引
  • code: 函数完整文本
  • label: 源代码解决的问题ID

数据分割

• 默认配置:
  • train: 32000个样本
  • validation: 8000个样本
  • test: 12000个样本