LCC_csharp ist ein von Microsoft im Jahr 2023 veröffentlichter C#-Codekommentar-Datensatz, der aus dem Large Code Comments (LCC)-Projekt stammt und darauf abzielt, hochwertige Korpora für Aufgaben wie Codeverständnis, Codegenerierung und Codekommentaranalyse bereitzustellen.

Der Datensatz umfasst etwa 2,12 GB und enthält 120.000 C#-Code- und Kommentarproben, die in Trainings-, Validierungs- und Testsets unterteilt sind. Jede Probe enthält hauptsächlich den Codekontext und den entsprechenden Zielkommentar und kann für das Vortraining, die Feinabstimmung und die Bewertung von codebezogenen NLP-Modellen verwendet werden.

Zusammensetzung des Datensatzes

Der Datensatz enthält die folgenden drei Teile:

• Trainingsset (train): 100.000 Proben, etwa 1,85 GB.
• Validierungsset (validation): 10.000 Proben, etwa 136 MB.
• Testset (test): 10.000 Proben, etwa 136 MB.

Jede Probe enthält hauptsächlich die folgenden Felder:

• context: C#-Codekontext.
• gt: Der entsprechende Zielkommentar oder das Ziel-Label.