XLCoST：一个用于跨语言代码智能的基准数据集
软件工程
2022-06-20 v1 人工智能
机器学习
摘要
机器学习的最新进展显著提升了对源代码数据的理解能力，并在多项下游任务上取得良好性能。GitHub等开源仓库以丰富的无标注代码数据推动了这一过程。然而，高质量标注数据的缺乏在很大程度上阻碍了若干代码相关任务（如程序翻译、摘要生成、合成与代码搜索）的进展。本文介绍XLCoST（Cross-Lingual Code SnippeT dataset，跨语言代码片段数据集），一个用于跨语言代码智能的新基准数据集。我们的数据集包含来自8种语言（7种常用编程语言与英语）的细粒度平行数据，并支持10项跨语言代码任务。据我们所知，无论是规模还是语言数量，它都是最大的源代码平行数据集。我们还提供了各任务上若干state-of-the-art基线模型的性能。我们相信这一新数据集可成为研究界的宝贵资产，并促进跨语言代码智能新方法的开发与验证。
引用
@article{arxiv.2206.08474,
title = {XLCoST: A Benchmark Dataset for Cross-lingual Code Intelligence},
author = {Ming Zhu and Aneesh Jain and Karthik Suresh and Roshan Ravindran and Sindhu Tipirneni and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2206.08474},
year = {2022}
}
备注
20 pages, 11 tables, 2 figures