精选理由
想给GitHub仓库自动打行业标签？这篇论文发布的数据集和管道精度高达97%，直接用RoBERTa或GPT-4.1就能复现，省去手动标注的麻烦。
论文发布NAICS-GH数据集，包含6588个GitHub仓库，每个标注了NAICS 2022的2位数行业代码。管道结合BAAI/bge-large-en嵌入、FAISS检索和GPT-4.1评分，从约137万仓库中筛选出31798个候选对，最终保留6588个高置信度标签（分数≥8）。在2421个人工验证样本上，标签精度达96.98%，Wilson 95%置信区间[96.23,97.59]。基准测试中RoBERTa-large在20%测试集上达到86.45% F1和86.35%准确率。数据集和代码以CC-BY-4.0和MIT许可证开源。
AI 翻译 · 中文
论文发布NAICS-GH数据集，包含6588个GitHub仓库，每个标注了NAICS 2022的2位数行业代码。管道结合BAAI/bge-large-en嵌入、FAISS检索和GPT-4.1评分，从约137万仓库中筛选出31798个候选对，最终保留6588个高置信度标签（分数≥8）。在2421个人工验证样本上，标签精度达96.98%，Wilson 95%置信区间[96.23,97.59]。基准测试中RoBERTa-large在20%测试集上达到86.45% F1和86.35%准确率。数据集和代码以CC-BY-4.0和MIT许可证开源。
GitHub hosts hundreds of millions of public repositories, but the platform exposes no native mapping from repositories to standardized industry sectors. This gap limits empirical work on the geography of innovation, the …