.png){kind=icon}
返回
SmellyCode++: Multi-Label Dataset for Code Smell Detection
.png){kind=icon}
OA
AI
DOI：10.1038/s41597-025-05465-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：代码异味表明软件设计不佳，影响可维护性。准确检测对于重构和质量提升至关重要。然而，现有数据集常将检测视为单标签分类问题，限制了真实性与普适性。目标：本文开发了一个用于代码异味检测的多标签数据集，整合了开源Java项目中的文本特征和数值指标。方法：我们收集了103个Java项目的代码，将其解析为抽象语法树（AST），提取特征，并依据前期研究对样本进行标注。通过数据清洗、统一和合并技术，支持四种代码异味：God Class、Data Class、Feature Envy和Long Method。结果：该数据集包含107,554个多标签标注样本，提升了检测的真实性。评估显示F1分数分别为95.89%（Data Class）、94.48%（God Class）、88.68%（Feature Envy）和88.87%（Long Method）。结论：该数据集有助于代码异味检测的深入研究，尤其适用于大语言模型（LLM）的微调。未来工作可扩展至其他语言和更多异味类型，以增强数据集的多样性和适用性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.9
论文数:
3.9K
被引数:
3.8W
机构
引用论文
Comparing and experimenting machine learning techniques for code smell detection比较和实验用于代码气味检测的机器学习技术
PREAI
分享收藏Detecting code smells using machine learning techniques: Are we there yet?.png)
2018 IEEE 25th International Conference on Software Analysis, Evolution and Reengineering (SANER)OAAI
2018 IEEE 25th International Conference on Software Analysis, Evolution and Reengineering (SANER)IF0
OAAI分享收藏
查看更多内容