LCC_csharp は、Microsoft が 2023 年に公開した C# コードコメントデータセットであり、Large Code Comments（LCC）プロジェクトに由来します。コード理解、コード生成、コードコメント分析などのタスクに高品質なコーパスを提供することを目的としています。

このデータセットは約 2.12 GB で、12 万件の C# コードとコメントのサンプルを含み、トレーニングセット、バリデーションセット、テストセットに分割されています。各サンプルには主にコードコンテキストと対応するターゲットコメントが含まれており、コード関連の NLP モデルの事前学習、ファインチューニング、評価に使用できます。

データセットの構成

データセットには以下の3つの部分が含まれています：

• トレーニングセット（train）：100,000 件のサンプル、約 1.85 GB。
• バリデーションセット（validation）：10,000 件のサンプル、約 136 MB。
• テストセット（test）：10,000 件のサンプル、約 136 MB。

各サンプルには主に以下のフィールドが含まれています：

• context：C# コードコンテキスト。
• gt：対応するターゲットコメントまたはラベル。