面向软件工程的开源机器学习模型与数据集分类研究

背景：开源预训练模型（PTMs）和数据集为各种机器学习（ML）任务提供了丰富资源，但这些资源缺乏针对软件工程（SE）需求的分类。目的：我们将面向SE的分类应用于流行开源ML仓库Hugging Face（HF）上的PTMs和数据集，并分析PTMs随时间的演变。方法：我们进行了一项仓库挖掘研究。我们从HF API系统收集的PTMs和数据集数据库开始。通过分析模型卡片和数据集卡片及元数据（如标签），并使用Gemini 1.5 Pro确认SE相关性，我们优化了选择。所有分析均可复现，并提供公开可访问的复现包。结果：PTMs和数据集中最常见的SE任务是代码生成，主要关注软件开发，对软件管理关注有限。流行的PTMs和数据集主要针对软件开发。在ML任务中，文本生成是SE PTMs和数据集中最常见的。自2023年第二季度以来，面向SE的PTMs显著增加。结论：该研究凸显了需要更广泛的任务覆盖，以增强ML在SE实践中的集成。