热榜第四：GitHub开源代码数据集界ImageNet，推出代码搜索挑战赛
代码搜索哪家强
鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
用别人的轮子，开自己的路。
在这个产品快速迭代的时代，搜索、调用别人的代码避免重复造轮子，已是开发常态。
但是搜索代码这件事，并不是百度一下就能解决的。
搜索引擎们往往答非所问，难以理解程序猿们的需求。
现在，GitHub觉得，机器学习可以改善这个问题。不仅要让AI搜代码，还要搞出一套评估标准。
于是，CodeSearchNet挑战赛上线了。
这一上线，就是日入200星的节奏，目前已经登上了趋势榜第四的位置。
CodeSearchNet挑战赛
CodeSearchNet挑战赛是GitHub和Weights&Biases携手推出的一项新赛事，旨在推动语义代码搜索的相关研究。
虽然与其他的信息检索任务相关联，但代码中使用的语言通常是缩写，并且具有高度技术性，也就是说，在这项任务中，代码语言和自然语言之间存在鸿沟。
所以，像GLUE这样的基准测试显然不太适合用来评估这一任务。
CodeSearchNet为NLP社区提供了一个新的平台，包含：
- 大量的相关数据说明
- 一系列基线模型的开源代码，以及预训练权重
- 基线评估指标和实用程序
- 一个新的排行榜
挑战赛包括99种自然语言查询（query），以及大约4000个专家注释，这些注释，来自GitHub为挑战赛发布的CodeSearchNet语料库。
语料库 + 模型
CodeSearchNet语料库的数据取自GitHub上的开源项目，经过了充分的预处理。
其中包含了约600万种函数，取自Go，Java，JavaScript，PHP，Python和Ruby这六种编程语言的开源代码。
还包含了通过机械抓取、预处理相关函数文档，自动生成的类似查询的自然语言，适用于200万种函数。
数据集已经开放下载，大小约20GB。
GitHub还计划在未来几个月继续扩展评估数据集，容纳进更多编程语言，查询和注释。并且，他们也希望这一数据集能在其他NLP任务中得到应用。
GitHub的目标，是将其打造成代码数据集界的ImageNet。
同时开源的，还有基准模型。
为了评估代码搜索模型，GitHub从bing上收集了高点击率的搜索查询文字，将其与StaQC（数据集：StackOverflow-Question-Code-Dataset）查询相结合，生成了99个与代码相关的查询。
而后，使用标准的Elasticsearch（开源搜索引擎）安装，并用基线模型从CodeSearchNet语料库中为每个查询搜索10个可能的结果。
最后，GitHub要求程序员，数据科学家和机器学习研究人员以 [0，3] 的评价标准来注释搜索结果与查询的相关性，0表示完全不相关，3表示完全符合。
精心制作，必属良品。GitHub也指出，在他们的新数据集中训练搜索方法，能显著提高特定项目搜索查询的性能。
现在，排行榜上还只有GitHub“自己人”，那么，来挑战一下吗？
传送门
CodeSearchNet挑战赛简介：
GitHub地址：
论文地址：
https://arxiv.org/pdf/1909.09436.pdf
— 完 —
- OpenAI被举报：非法限制员工披露AI安全风险2024-07-14
- AI视频创作一条龙！达摩院寻光平台炸场WAIC，突破可控编辑难题2024-07-05
- 姚班大神陈立杰获UC伯克利教职，2025年秋季入职2024-07-02
- 英伟达布局AI视频，Sora风头快被抢完了2024-06-29
相关阅读
我从GitHub上看到了编程语言八年变迁史 | Reddit 30.7k
一位博主PieChartPirate统计了从2012年6月-2020年6月GitHub上最受欢迎的编程语言，看到了整个语言的变迁史，一直稳居第一宝座的是JavaScript。
