qayqaq/github-issues

--- configs: - config_name: default data_files: - split: train path: data/train-* dataset_info: features: - name: url dtype: string - name: repository_url dtype: string - name: labels_url dtype: string - name: comments_url dtype: string - name: events_url dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: number dtype: int64 - name: title dtype: string - name: user struct: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: labels list: - name: id dtype: int64 - name: node_id dtype: string - name: url dtype: string - name: name dtype: string - name: color dtype: string - name: default dtype: bool - name: description dtype: string - name: state dtype: string - name: locked dtype: bool - name: assignee struct: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: assignees list: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: comments sequence: string - name: created_at dtype: timestamp[s] - name: updated_at dtype: timestamp[s] - name: closed_at dtype: timestamp[s] - name: author_association dtype: string - name: body dtype: string - name: reactions struct: - name: url dtype: string - name: total_count dtype: int64 - name: '+1' dtype: int64 - name: '-1' dtype: int64 - name: laugh dtype: int64 - name: hooray dtype: int64 - name: confused dtype: int64 - name: heart dtype: int64 - name: rocket dtype: int64 - name: eyes dtype: int64 - name: timeline_url dtype: string - name: state_reason dtype: string - name: draft dtype: bool - name: pull_request struct: - name: url dtype: string - name: html_url dtype: string - name: diff_url dtype: string - name: patch_url dtype: string - name: merged_at dtype: timestamp[s] - name: is_pull_request dtype: bool splits: - name: train num_bytes: 11732758 num_examples: 1000 download_size: 3212220 dataset_size: 11732758 --- # Dataset Card for "github-issues" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件:
  • 分割: train
  • 路径: data/train-*

数据集信息

• 特征:
  • url: 字符串
  • repository_url: 字符串
  • labels_url: 字符串
  • comments_url: 字符串
  • events_url: 字符串
  • html_url: 字符串
  • id: 64位整数
  • node_id: 字符串
  • number: 64位整数
  • title: 字符串
  • user: 结构体
    • login: 字符串
    • id: 64位整数
    • node_id: 字符串
    • avatar_url: 字符串
    • gravatar_id: 字符串
    • url: 字符串
    • html_url: 字符串
    • followers_url: 字符串
    • following_url: 字符串
    • gists_url: 字符串
    • starred_url: 字符串
    • subscriptions_url: 字符串
    • organizations_url: 字符串
    • repos_url: 字符串
    • events_url: 字符串
    • received_events_url: 字符串
    • type: 字符串
    • site_admin: 布尔值
  • labels: 列表
    • id: 64位整数
    • node_id: 字符串
    • url: 字符串
    • name: 字符串
    • color: 字符串
    • default: 布尔值
    • description: 字符串
  • state: 字符串
  • locked: 布尔值
  • assignee: 结构体
    • login: 字符串
    • id: 64位整数
    • node_id: 字符串
    • avatar_url: 字符串
    • gravatar_id: 字符串
    • url: 字符串
    • html_url: 字符串
    • followers_url: 字符串
    • following_url: 字符串
    • gists_url: 字符串
    • starred_url: 字符串
    • subscriptions_url: 字符串
    • organizations_url: 字符串
    • repos_url: 字符串
    • events_url: 字符串
    • received_events_url: 字符串
    • type: 字符串
    • site_admin: 布尔值
  • assignees: 列表
    • login: 字符串
    • id: 64位整数
    • node_id: 字符串
    • avatar_url: 字符串
    • gravatar_id: 字符串
    • url: 字符串
    • html_url: 字符串
    • followers_url: 字符串
    • following_url: 字符串
    • gists_url: 字符串
    • starred_url: 字符串
    • subscriptions_url: 字符串
    • organizations_url: 字符串
    • repos_url: 字符串
    • events_url: 字符串
    • received_events_url: 字符串
    • type: 字符串
    • site_admin: 布尔值
  • comments: 字符串序列
  • created_at: 时间戳（秒）
  • updated_at: 时间戳（秒）
  • closed_at: 时间戳（秒）
  • author_association: 字符串
  • body: 字符串
  • reactions: 结构体
    • url: 字符串
    • total_count: 64位整数
    • +1: 64位整数
    • -1: 64位整数
    • laugh: 64位整数
    • hooray: 64位整数
    • confused: 64位整数
    • heart: 64位整数
    • rocket: 64位整数
    • eyes: 64位整数
  • timeline_url: 字符串
  • state_reason: 字符串
  • draft: 布尔值
  • pull_request: 结构体
    • url: 字符串
    • html_url: 字符串
    • diff_url: 字符串
    • patch_url: 字符串
    • merged_at: 时间戳（秒）
  • is_pull_request: 布尔值

数据分割

• 分割名称: train
• 字节数: 11732758
• 样本数: 1000

数据集大小

• 下载大小: 3212220 字节
• 数据集大小: 11732758 字节

搜集汇总

数据集介绍

构建方式

在开源协作与软件开发的生态系统中，GitHub议题（Issues）作为代码仓库内问题追踪与功能讨论的核心载体，蕴含着丰富的结构化与非结构化信息。qayqaq/github-issues数据集正是基于GitHub API采集构建而成，涵盖了1000条训练样本，每条样本均以JSON格式存储，包含诸如议题标题、正文、状态、标签、评论、用户信息、反应统计以及关联的拉取请求等详尽字段。数据以分片形式组织于data/train-*路径下，便于分布式加载与处理。

使用方法

用户可通过HuggingFace的datasets库便捷地加载该数据集，指定配置名称为default并选择train分片即可获取全部样本。加载后，数据集以字典形式呈现，支持按字段索引访问，例如提取议题标题用于文本分类，或利用状态和标签信息进行问题解决预测。对于需要序列化信息的场景，comments字段以字符串列表形式存储评论内容，而reactions则提供了细粒度的情感量化指标，适用于构建社交编码分析或开发者行为建模任务。

背景与挑战

背景概述

在软件工程与自然语言处理的交叉领域，开源协作平台GitHub上累积的海量Issue数据为理解开发者行为、代码维护模式及自动化问题解决提供了独特的研究窗口。qayqaq/github-issues数据集由研究者于近期构建，聚焦于GitHub仓库中的问题追踪记录，包含从标题、正文到标签、评论及反应等结构化与半结构化字段。其核心研究问题在于如何利用这些多维度特征训练模型，以支持问题分类、优先级预测或自动回复生成等任务。该数据集虽规模有限（1000条样本），但因其丰富的元数据（如用户信息、时间戳、关联Pull Request等），为探索Issue生命周期中的语义与社交动态奠定了数据基础，有望推动开源治理与AI辅助开发工具的进步。

当前挑战

该数据集面临的核心挑战源于其领域任务的复杂性：首先，GitHub Issue涉及的问题分类（如Bug、Feature Request）高度依赖上下文，需模型理解技术术语、代码片段与用户情绪，而现有自然语言处理技术在代码与文本混合场景下的鲁棒性不足。其次，构建过程中，数据收集需处理GitHub API的速率限制与数据异构性，例如不同仓库的标签体系不统一、Issue状态（open/closed）与真实解决情况可能不一致。此外，样本量仅1000条，难以覆盖长尾问题类型，且时间戳字段的时区差异与缺失值（如closed_at为空）增加了预处理难度，对模型泛化能力构成显著制约。

常用场景

经典使用场景

在开源软件生态蓬勃发展的当下，GitHub作为全球最大的代码托管平台，其Issue（问题追踪）数据蕴含着丰富的开发者协作与项目维护信息。该数据集精选了1000条GitHub Issue记录，涵盖了标题、正文、标签、状态、评论、反应等结构化字段，为自然语言处理与软件工程交叉领域的研究提供了高质量的数据基础。经典使用场景包括基于Issue标题和正文的自动标签推荐、问题严重性分类、以及根据评论序列预测问题解决时长等任务。

解决学术问题

该数据集有效回应了软件工程中若干长期存在的学术挑战。其一，它解决了开源项目维护中Issue分类自动化程度低的问题，通过提供多标签与状态标注，支持监督学习模型对Bug、增强请求、问题等类别进行精准区分。其二，数据集中丰富的用户互动信息（如反应、评论）为分析开发者协作模式与社区行为规律提供了量化依据，推动了关于项目健康度与贡献者激励机制的实证研究。

实际应用

在实际开发场景中，该数据集可支撑构建智能化的Issue管理工具。例如，基于标题和正文训练的文本分类模型能够自动为新提交的Issue分配标签，减轻维护者的手动分类负担。同时，利用评论序列与时间戳信息，可开发问题解决优先级排序系统，帮助团队合理分配开发资源。此外，通过分析用户反应（如+1、心形等），项目管理者能快速识别社区关注度高的问题，从而优化迭代计划。

数据集最近研究

最新研究方向

在开源软件开发与协作生态的研究中，GitHub Issues作为项目问题追踪、功能请求与社区讨论的核心载体，正日益成为理解软件工程行为模式与开发者互动机制的关键数据源。qayqaq/github-issues数据集汇集了包括标题、状态、标签、评论、反应、用户信息及时间戳在内的丰富字段，为从多维度剖析开源项目生命周期提供了坚实基础。当前前沿研究方向聚焦于利用该数据集训练大语言模型以自动分类和优先级排序问题、预测问题关闭时间与解决路径，以及挖掘开发者协作网络中的隐性知识流动。结合近期开源社区对透明化治理与自动化运维的迫切需求，此类研究不仅推动了软件缺陷预测与智能推荐系统的发展，更在提升全球分布式协作效率、促进可持续开源生态建设方面展现出深远意义。