LCC Java 是由 Microsoft 于 2023 年发布的 Java 代码数据集，源自 The Large Code Corpus（LCC）项目，旨在为代码理解、代码生成和代码补全等任务提供高质量的代码语料。

该数据集约 1.87 GB，包含 120,000 条 Java 代码样本，数据来源于开源项目中的真实 Java 源代码，并划分为训练集、验证集和测试集。每条样本主要包含上下文代码和对应的目标代码片段，采用 JSON 格式存储，可用于代码相关模型的监督学习和序列到序列（Seq2Seq）训练。

数据集组成

数据集包含以下三个部分：

• 训练集（train）：100,000 条样本，约 1.61 GB。
• 验证集（validation）：10,000 条样本，约 131 MB。
• 测试集（test）：10,000 条样本，约 129 MB。

每个样本主要包含以下字段：

• context：上下文代码，为模型提供代码背景信息。
• gt：目标代码片段，即模型需要预测或生成的代码。