数据集简介

该数据集是 Google 发布的 CodeXGLUE 基准测试的一部分，专注于代码克隆检测任务。它基于 BigCloneBench 基准构建，用于训练和评估模型识别功能相似或重复的代码片段（即代码克隆）。

主要用途

• 代码克隆检测：判断两段代码是否在功能上相似或重复。
• 模型训练与评估：作为机器学习（特别是代码理解领域）模型的基准数据集。

数据类型/模态

• 模态：表格数据（tabular）与文本（text）的结合。
• 内容：包含代码片段对及其是否为克隆的标签。

规模与统计

• 数据量：约 173 万行数据。
• 格式：以 Parquet 格式存储，支持高效处理。

使用场景

• 代码去重与维护：帮助识别项目中的重复代码，提高代码质量。
• 学术研究：用于代码表示学习、克隆检测算法的研究与比较。
• 教育工具：作为教学示例，展示代码相似性分析的实际应用。