ProCQA：面向代码搜索的大规模社区编程问答数据集
计算与语言
2024-03-26 v1 信息检索
软件工程
摘要
基于检索的代码问答旨在将自然语言的用户查询与相关代码片段进行匹配。以往的方法通常依赖于使用精心制作的双模态和单模态数据集来预训练模型，以对齐文本和代码的表示。本文引入了 ProCQA，这是一个从 StackOverflow 社区提取的大规模编程问答数据集，提供了自然结构的混合模态 QA 对。为了验证其有效性，我们提出了一种模态无关的对比预训练方法，以改善当前代码语言模型中文本和代码表示的对齐。与以往主要使用从 CodeSearchNet 提取的双模态和单模态对进行预训练的模型相比，我们的模型在广泛的代码检索基准上展现出显著的性能提升。
引用
@article{arxiv.2403.16702,
title = {ProCQA: A Large-scale Community-based Programming Question Answering Dataset for Code Search},
author = {Zehan Li and Jianfei Zhang and Chuantao Yin and Yuanxin Ouyang and Wenge Rong},
journal= {arXiv preprint arXiv:2403.16702},
year = {2024}
}
备注
Accepted to LREC-COLING 2024