StRuCom：面向俄语的结构化代码注释数据集
计算与语言
2025-05-19 v1 人工智能
机器学习
软件工程
摘要
结构化代码注释（docstring 格式）对于代码理解和维护至关重要，但现有机器学习模型在俄语代码注释生成方面表现不佳。为弥合这一差距，我们提出 StRuCom —— 首个专为俄语代码文档设计的大规模数据集（包含 153K 个样本）。与基于机器翻译的英文数据集不同，后者会扭曲术语（如技术外来词与字面翻译的区别）和 docstring 结构。StRuCom 组合来自俄语 GitHub 代码仓库的人工编写注释与合成生成注释，确保通过自动化验证符合 Python、Java、JavaScript、C# 和 Go 等语言标准。在 StRuCom 上微调 Qwen2.5-Coder 模型（参数规模 0.5B-7B），实验显示相较于基线模型，chrf++ 和 BERTScore 指标均实现统计显著提升。
引用
@article{arxiv.2505.11026,
title = {StRuCom: A Novel Dataset of Structured Code Comments in Russian},
author = {Maria Dziuba and Valentin Malykh},
journal= {arXiv preprint arXiv:2505.11026},
year = {2025}
}