LCC Java は、Microsoft が 2023 年に公開した Java コードデータセットであり、The Large Code Corpus（LCC）プロジェクトに由来しています。コード理解、コード生成、コード補完などのタスクに高品質なコード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 1.87 GB で、120,000 件の Java コードサンプルを含み、オープンソースプロジェクトの実際の Java ソースコードから収集され、トレーニングセット、検証セット、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ンテキストコードと対応するターゲットコードスニペットが含まれており、JSON 形式で保存され、コード関連モデルの教師あり学習やシーケンス間（Seq2Seq）トレーニングに使用できます。

データセット構成

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 1.61 GB。
• 検証セット（validation）：10,000 件のサンプル、約 131 MB。
• テストセット（test）：10,000 件のサンプル、約 129 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：コンテキストコード。モデルにコードの背景情報を提供します。
• gt：ターゲットコードスニペット。モデルが予測または生成する必要があるコードです。