"code_x_glue_cc_code_refinement" 数据集卡片

数据集概述

CodeXGLUE代码细化数据集，可在 https://github.com/microsoft/CodeXGLUE/tree/main/Code-Code/code-refinement 中找到

我们使用了这篇论文发布的数据集( https://arxiv.org/pdf/1812.08693.pdf )。源端是有缺陷的Java函数，目标端是经过修正的函数。所有的函数和变量名都已经被规范化处理。数据集包含两个子集（即小型和中型），根据函数长度进行划分。

支持的任务和排行榜

• text2text-generation-other-debugging ：该数据集可用于训练自动修复有Bug的代码的模型。

语言

• Java 编程语言

数据集结构

数据实例

"train" 的一个例子如下所示。

{
    "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 ; }\n", 
    "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 ; }\n", 
    "id": 0
}

"validation" 的一个例子如下所示。

{
    "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 ; } \n", 
    "fixed": "public java.util.List < TYPE_1 > METHOD_1 ( ) { return VAR_1 ; } \n", 
    "id": 0
}

数据字段

下面的每个数据字段在不同配置中都有解释。数据字段在所有拆分中都是相同的。

数据拆分

数据集创建

策划理由

[需要更多信息]

源数据

下载自GitHub Archive，包括2011年3月至2017年10月期间的所有公开GitHub事件，并使用Google BigQuery APIs。[需要更多信息]

软件工程开发人员。

注释

通过过滤包含模式的提交消息自动进行注释：("fix" 或 "solve") 和 ("bug" 或 "issue" 或 "problem" 或 "error")。作者手动评估了统计学显著数量的样本（95%的置信水平和5%的置信区间），以检查过滤后的 bug/fix 对是否正确。在解决了所有争议后，作者得出结论，97.6%是真正的阳性。

启发式和论文的作者。

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

其他信息

数据集策划者

https://github.com/microsoft ， https://github.com/madlag

许可信息

数据使用协议 (C-UDA) 许可证。

引用信息

@article{CodeXGLUE,
         title={CodeXGLUE: A Benchmark Dataset and Open Challenge for Code Intelligence},
         year={2020},}

贡献

感谢 @madlag（部分也感谢 @ncoop57）添加了该数据集。