数据集概述
本数据集包含2016年10月的公共GitHub仓库相似分组数据，采用加权Jaccard相似度（阈值0.8~0.9）将高度相似的仓库分为多个组。数据格式为JSON，整体结构为列表嵌套列表，每个内层列表对应一组相似仓库。
文件详解
- 文件名称：github_duplicates.json
- 文件格式：JSON
- 字段映射介绍：整体为列表结构，内层每个列表代表一组相似仓库，列表中的元素为高度相似的GitHub仓库标识；采用加权Jaccard相似度计算相似性，阈值范围为0.8至0.9。
适用场景
- 开源代码重复检测研究: 分析GitHub平台上高度相似仓库的分布情况，识别重复或衍生的开源项目。
- 软件开发协作分析: 探究相似仓库间的协作模式、代码复用行为及开发者关联。
- 代码质量评估: 结合相似仓库分组数据，评估开源项目的代码独特性与创新度。
- 开源生态系统研究: 研究特定时间段内GitHub平台上相似仓库的形成机制与演化趋势。
