数据集概述
本数据集为构建系统代码生成实证研究的复制包，包含用于训练和测试CodeGen大语言模型的构建文件数据。数据分为来自Apache软件基金会的专家数据集（9,426个构建文件）和来自GitHub的通用数据集（3,917个构建文件），总计13,343个Maven构建文件，用于研究大语言模型在构建系统代码预测中的应用效果。
文件详解
- 数据集压缩包
- 文件名称：dataset.zip
- 文件格式：ZIP
- 字段映射介绍：压缩包内包含专家数据集（Expert dataset）和通用数据集（Generalised dataset），其中专家数据集用于模型微调，通用数据集用于测试；数据集未进行训练/测试、数据/标签或原始/处理的拆分，无README或内容预览文件。
数据来源
论文“An Empirical Study of Next-Line Prediction in Build Systems Using CodeGen”
适用场景
- 构建系统代码生成研究: 用于分析CodeGen大语言模型在构建系统代码下一行预测任务中的性能表现。
- 软件维护优化: 探索大语言模型对减轻构建系统维护负担的潜在价值，尤其是功能型代码内容的生成。
- 模型微调策略研究: 分析不同微调数据量对模型性能的影响，优化大语言模型在特定领域的应用效果。
- 构建代码类型分析: 研究功能型代码与元数据代码在模型生成任务中的差异，为针对性改进提供数据支持。
