google/code_x_glue_cc_code_refinement

CodeXGLUE代码优化数据集主要用于文本到文本生成任务，特别是用于自动修复有错误的代码。数据集包含两个子集（small和medium），基于函数长度划分。数据集的源数据是Java函数，包含有错误的代码和修复后的代码。所有函数和变量名称都已标准化。数据集由专家生成，来源于GitHub Archive的公共事件，并通过Google BigQuery API收集。数据集的注释过程是自动化的，通过过滤包含特定关键词的提交消息，并由作者手动验证。数据集的语言是Java编程语言，遵循C-UDA许可证。

原始信息汇总

数据集概述

数据集摘要

CodeXGLUE code-refinement 数据集，包含两个子集（small 和 medium），基于函数长度划分。数据集用于训练模型自动修复带有错误的代码。

支持的任务和排行榜

• text2text-generation-other-debugging：用于训练模型自动修复带有错误的代码。

语言

• Java 编程语言

数据集结构

数据实例

medium

训练集示例： json { "buggy": "public static TYPE_1 init ( java.lang.String name , java.util.Date date ) { TYPE_1 VAR_1 = new TYPE_1 ( ) ; VAR_1 . METHOD_1 ( name ) ; java.util.Calendar VAR_2 = java.util.Calendar.getInstance ( ) ; VAR_2 . METHOD_2 ( date ) ; VAR_1 . METHOD_3 ( VAR_2 ) ; return VAR_1 ; } ", "fixed": "public static TYPE_1 init ( java.lang.String name , java.util.Date date ) { TYPE_1 VAR_1 = new TYPE_1 ( ) ; VAR_1 . METHOD_1 ( name ) ; java.util.Calendar VAR_2 = null ; if ( date != null ) { VAR_2 = java.util.Calendar.getInstance ( ) ; VAR_2 . METHOD_2 ( date ) ; } VAR_1 . METHOD_3 ( VAR_2 ) ; return VAR_1 ; } ", "id": 0 }

small

验证集示例： json { "buggy": "public java.util.List < TYPE_1 > METHOD_1 ( ) { java.util.ArrayList < TYPE_1 > VAR_1 = new java.util.ArrayList < TYPE_1 > ( ) ; for ( TYPE_2 VAR_2 : VAR_3 ) { VAR_1 . METHOD_2 ( VAR_2 . METHOD_1 ( ) ) ; } return VAR_1 ; } ", "fixed": "public java.util.List < TYPE_1 > METHOD_1 ( ) { return VAR_1 ; } ", "id": 0 }

数据字段

medium, small

字段名	类型	描述
id	int32	样本的索引
buggy	string	带有错误的代码版本
fixed	string	正确的代码版本

数据分割

名称	训练集	验证集	测试集
medium	52364	6546	6545
small	46680	5835	5835

数据集创建

注释过程

通过过滤包含 "fix" 或 "solve" 以及 "bug"、"issue"、"problem" 或 "error" 的提交消息来自动注释。通过手动评估样本的正确性，确认 97.6% 为真阳性。

注释者

启发式方法和论文作者。

许可证信息

计算数据使用协议（C-UDA）许可证。

引用信息

bibtex @article{DBLP:journals/corr/abs-2102-04664, author = {Shuai Lu and Daya Guo and Shuo Ren and Junjie Huang and Alexey Svyatkovskiy and Ambrosio Blanco and Colin B. Clement and Dawn Drain and Daxin Jiang and Duyu Tang and Ge Li and Lidong Zhou and Linjun Shou and Long Zhou and Michele Tufano and Ming Gong and Ming Zhou and Nan Duan and Neel Sundaresan and Shao Kun Deng and Shengyu Fu and Shujie Liu}, title = {CodeXGLUE: {A} Machine Learning Benchmark Dataset for Code Understanding and Generation}, journal = {CoRR}, volume = {abs/2102.04664}, year = {2021} } @article{tufano2019empirical, title={An empirical study on learning bug-fixing patches in the wild via neural machine translation}, author={Tufano, Michele and Watson, Cody and Bavota, Gabriele and Penta, Massimiliano Di and White, Martin and Poshyvanyk, Denys}, journal={ACM Transactions on Software Engineering and Methodology (TOSEM)}, volume={28}, number={4}, pages={1--29}, year={2019}, publisher={ACM New York, NY, USA} }

搜集汇总

背景与挑战

背景概述

该数据集是CodeXGLUE项目的一部分，专门用于代码修复任务，包含Java函数的buggy版本和修复后的fixed版本。数据集分为small和medium两个子集，总规模在10万到100万之间，适用于训练自动修复代码的模型。