该论文提出了一种新方法，使用手工特征和神经网络提取对齐的自然语言与代码的模式，通过分类器挖掘高质量的数据集，并在 Python 和 Java 两种编程语言中进行实验，表明该方法即使在使用少量标记示例时也能大大提高代码挖掘的覆盖范围和准确性。

May, 2018

提出了 CodeQA，一个免费的自由格式问题回答数据集，旨在实现源代码理解：给定代码片段和问题，需要生成文本答案。包含 119,778 个 Java 问题 - 答案对和 70,085 个 Python 问题 - 答案对的 CodeQA 数据集。通过语法规则和语义分析将代码注释转换为问题 - 答案对。对数据集进行了系统分析，并展示了几个神经网络的实验结果。尽管关于问题回答和机器阅读理解的研究发展迅速，但很少有先前的工作关注代码问题回答。这个新数据集可以作为源代码理解研究的有用基准。

Sep, 2021

基于检索的代码问答模型通过预训练模型使用构建的双模和单模数据集来匹配自然语言查询与相关代码片段。本文介绍了 ProCQA，一个从 StackOverflow 社区提取的大规模编程问答数据集，提供自然结构的混合模态问答对。为了验证其有效性，我们提出了一种模态不可知的对比预训练方法，以改善当前代码语言模型的文本和代码表示之间的对齐。与先前主要使用从 CodeSearchNet 中提取的双模和单模对进行预训练的模型相比，我们的模型在广泛的代码检索基准上表现出显著的性能改进。

Mar, 2024

CS1QA 是一个用于编程教育领域中的基于代码的问答数据集，由 Python 入门编程课程的聊天记录中的 9237 个问题 - 答案对和 17698 个未注释的带代码的聊天数据组成，可以用作来源码理解和问答的基准。

Oct, 2022

通过引入 CoSQA 数据集，我们提出了一种名为 CoCLR 的对比学习方法，该方法的作用是作为一种数据增强器，以产生更多人工生成的训练实例，从而增强查询 - 代码匹配，实验表明，使用 CoSQA 进行训练可将代码问题回答的准确性提高 5.1％，并且使用 CoCLR 进一步提高 10.5％。

May, 2021

本研究提出一种序列标注的问答（SLQA）方法，旨在以一种不依赖于编程语言的方式挖掘自然语言和编程语言对。该方法应用 BIO 标注方案，统计分析和下游评估表明，自动挖掘的 Lang2Code 是进行进一步自然语言和编程语言研究的大规模高质量数据资源。

Mar, 2022

人们越来越倾向于使用人工智能来解决各种问题，包括软件相关的编程问题。本研究通过引入 StackOverflowVQA 数据集，并提供一种基于 GIT 模型的算法，首次关注了需要通过图像理解问题的软件相关问题，该数据集包含多个人工产生的完整句子回答。

May, 2024

本研究构建了一个名为 CodeQueries 的数据集，并提出了基于神经网络的代码语义查询系统，结果表明神经模型可以对代码语法错误进行容错，但代码规模增大、存在不相关的代码以及训练例子减少均会限制模型性能。

Sep, 2022

语义代码搜索是软件工程中提高生产力的重要任务。该论文介绍了 CoSQA+，它通过将高质量的查询与多个合适的代码配对，来解决现有代码搜索数据集存在的问题，并利用大型语言模型自动化进行配对注释、过滤和代码生成，提高了模型性能。此外，还提出了一个新的评估标准 MMRR 来评估一对多代码搜索的性能。

Jun, 2024

本文研究基于领域的社区问答，以 Stack Overflow 为例，将问题相关性任务作为一个四个互斥类别的多类分类问题进行建模，提供了一个具有超过 30 万对的领域特定数据集，采用神经网络架构和传统模型计算它们之间的相关性。

May, 2019