LCC_csharp est un ensemble de données de commentaires de code C# publié par Microsoft en 2023, issu du projet Large Code Comments (LCC), conçu pour fournir des corpus de haute qualité pour des tâches telles que la compréhension de code, la génération de code et l'analyse de commentaires de code.

Cet ensemble de données, d'environ 2,12 Go, contient 120 000 échantillons de code et commentaires C#, divisés en ensembles d'entraînement, de validation et de test. Chaque échantillon comprend principalement un contexte de code et le commentaire cible correspondant, pouvant être utilisé pour le pré-entraînement, le réglage fin et l'évaluation de modèles NLP liés au code.

Composition de l'ensemble de données

L'ensemble de données comprend les trois parties suivantes :

• Ensemble d'entraînement (train) : 100 000 échantillons, environ 1,85 Go.
• Ensemble de validation (validation) : 10 000 échantillons, environ 136 Mo.
• Ensemble de test (test) : 10 000 échantillons, environ 136 Mo.

Chaque échantillon comprend principalement les champs suivants :

• context : Contexte du code C#.
• gt : Commentaire ou étiquette cible correspondant(e).