| | --- |
| | license: mit |
| | task_categories: |
| | - text-generation |
| | - fill-mask |
| | language: |
| | - zh |
| | tags: |
| | - java |
| | - spring-boot |
| | - code-completion |
| | - peft |
| | - lora |
| | - qlora |
| | - code-dataset |
| | - instruction-tuning |
| | pretty_name: SpringBoot-Code-Completion-Dataset-zh |
| | size_categories: |
| | - 100K<n<1M |
| | --- |
| | # Spring Boot Code Completion Dataset |
| |
|
| | ## 概述 |
| | 这是一个专为 Spring Boot 框架代码补全任务设计的中文优先数据集。通过从 GitHub 上 90 个高质量开源 Spring Boot 项目中提取方法级、类级代码片段及配置文件，构建而成。数据集重点突出 Spring Boot 典型特征（注解驱动、依赖注入、配置绑定等），适用于参数高效微调（PEFT，如 LoRA/QLoRA）下的代码生成研究。 |
| |
|
| | ## 数据集统计 |
| | - **总样本数**：81,085 条 |
| | - **训练集**：64,868 条 |
| | - **验证集**：8,108 条 |
| | - **测试集**：8,109 条 |
| | - **优先级 2 样本数**（含典型 Spring Boot 特征，如 @RestController、@Service、@Entity 等）：19,740 条 |
| | - **优先级 2 占比**：24.34% |
| |
|
| | ## 数据格式（Alpaca 风格） |
| | 每条数据为 JSON 对象，包含以下字段： |
| | ```json |
| | { |
| | "instruction": "请在Spring Boot框架中完成以下Java代码" 或 "请完成以下Java代码", |
| | "input": "代码前缀（prefix）", |
| | "output": "代码补全部分（completion）", |
| | "source_file": "原始文件路径", |
| | "priority": 1 或 2 // 2 表示含有 Spring Boot 典型特征 |
| | } |
| | 提取与清洗流程 |
| | |
| | 从 GitHub 采集 90 个典型 Spring Boot 项目 |
| | 使用 javalang 进行 AST 解析，提取方法/类级代码片段及 application 配置 |
| | 多维度 Spring Boot 特征检测（注解、接口实现、包路径、类名后缀等）标记 priority |
| | 清洗：精确 MD5 去重 + SentenceTransformer + FAISS 相似度去重（阈值 0.95）+ priority 2 优先保护 |
| | 长度过滤：input > 50 字符，output > 20 字符 |
| | 划分：80% 训练 / 10% 验证 / 10% 测试 |
| | |
| | 使用方式 |
| | Pythonfrom datasets import load_dataset |
| | |
| | dataset = load_dataset("您的用户名/springboot-code-completion-dataset") |
| | # 或指定子集 |
| | train = dataset["train"] |
| | 许可 |
| | 本数据集仅限学术研究与非商业用途使用。原始代码来源于 GitHub 开源项目，请遵守各项目原许可协议。 |
| | 引用 |
| | 如果在论文中使用，请引用本仓库： |
| | text@misc{唯一2026-springboot-dataset, |
| | author = {唯一}, |
| | title = {Spring Boot Code Completion Dataset}, |
| | year = {2026}, |
| | publisher = {Hugging Face}, |
| | howpublished = {\url{https://huggingface.co/datasets/您的用户名/springboot-code-completion-dataset}} |
| | } |
| | 欢迎反馈与合作！ |
