# CodeGraph: Open‑Taxonomy Knowledge Graph for Source Code with Wikidata Grounding
> 论文arXiv链接：[https://arxiv.org/abs/2609.29474](https://arxiv.org/abs/2609.29474)，会议：CIKM 2026
## 一、论文主要内容总结
该论文提出**CodeGraph**，这是首个面向源代码的大规模开放分类知识图谱构建流水线。现有代码分析工具大多只做语法、词元层面处理，很难从海量开源代码库（GitHub、Software Heritage Archive）中提取高层工程语义知识，如实现的算法、编程范式、设计模式、所属应用领域等。
作者构建完整处理流水线：使用代码专用大模型从源码提取四类高层语义实体；设计**三阶段Wikidata实体链接流程**将提取实体关联到Wikidata知识库；同时设计一套质量评估协议，结合人工金标准数据集与LLM裁判来衡量标注精度。将流水线应用于Stack‑Edu数据集1.67亿份源码文件，产出CodeGraph知识图谱：
- 约 **1.58亿节点**：含1.45亿文件节点、6.3万提取的概念实体、约1.98万个Wikidata关联实体；
- 约 **10亿条类型化边**；
- 覆盖14种编程语言。
该图谱支持语义化代码检索、算法自动选择等下游任务，揭示了跨不同应用领域中算法原语的复用模式，为代码挖掘、代码大模型研究提供结构化语义资源。
## 二、主要创新点
1. **面向源码的开放分类LLM标注流水线**
支持上亿规模源码文件，从代码中自动提取四大类高层语义（算法、编程范式、设计模式、应
