论文页面 - CodeGraph：基于Wikidata锚定的源代码开放分类知识图谱

来源：https://huggingface.co/papers/2609.29474

摘要

公共软件仓库（如GitHub和Software Heritage Archive）存储着数十亿文件，然而提取其中隐含的工程知识——即它们实现的算法、遵循的范式、实例化的模式以及服务的应用领域——仍然具有挑战性，因为现有工具仅限于语法和标记层面的分析。本文提出一种利用代码专用大语言模型构建源代码开放分类语义标注的流程。提取的实体通过三阶段链接过程锚定到Wikidata：确定性SPARQL阶段处理无歧义实体，深度研究智能体解决剩余的长尾实体，层级归并阶段导入每个已解析Wikidata标识符的父级闭包。最终生成的标注被构建为面向源代码的开放分类知识图谱。我们进一步引入一种校准化质量保障协议，通过结合少量人工黄金集和LLM评判过滤器来量化标注精度。我们将此流程应用于包含1.67亿文件的Stack-Edu语料库，创建了首个已知的大规模源代码开放分类知识图谱。该图谱名为CodeGraph，包含约1.58亿节点，其中包括约1.45亿文件、约6.3万个提取的概念实体（如算法、范式、设计模式和应用领域），以及约1.98万个锚定的Wikidata实体。此外，CodeGraph具有约10亿条类型边，这些边将文件连接到相应概念，将这些概念链接到其Wikidata标识符，并关联到父级分类，覆盖14种编程语言。

查看arXiv页面 (https://arxiv.org/abs/2609.29474) 查看PDF (https://arxiv.org/pdf/2609.29474) GitHub0 (https://github.com/halykoss/CodeGraph) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.29474)

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2609.29474可从此页面链接。

引用此论文的数据集1

halykoss/CodeGraph 查看器• 3天前更新 • 1.18B • 4.88k (https://huggingface.co/datasets/halykoss/CodeGraph)

引用此论文的Spaces0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2609.29474可从此页面链接。

包含此论文的收藏夹0

没有收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 可从此页面链接。