ner-cooccurrence-graphs

Relatório de Extração e Análise — claude-code (restored-src)

Repositório analisado

• Fonte: data/raw/claude-code-sourcemap/restored-src/
• Descrição: Código-fonte TypeScript do Claude Code (CLI da Anthropic), reconstruído a partir de source maps.

Estatísticas da extração

Métrica	Valor
Arquivos TypeScript	1.888
Arquivos de documentação	0
Total de blocos de texto	78.526
Total de caracteres	18.348.792

Distribuição por tipo de bloco

Tipo	Quantidade	Descrição
import	16.035	Imports de módulos e pacotes
comment	43.880	Comentários de linha (//)
code	10.550	Classes, interfaces, funções, enums
docstring	8.061	Blocos JSDoc / /* */

Métricas dos grafos de co-ocorrência

NER executado com regex + dicionários (sem spaCy).

Métricas gerais

Métrica	Sentença	Parágrafo	K-chars (500)
Nós	955	1.819	1.812
Arestas	1.152	5.456	4.538
Densidade	0,0025	0,0033	0,0028
Grau médio	2,41	6,00	5,01
Grau máximo	58	214	189
Componentes conectados	180	144	150
Maior componente (%)	49,2%	78,6%	77,0%
Diâmetro	17	9	10
Caminho médio	4,52	3,85	3,98
Clustering médio	0,2213	0,4942	0,4676
Transitividade	0,2055	0,3332	0,2716

Top 10 entidades por grau (parágrafo)

Entidade	Tipo	Grau
src	LIB	214
claude	LIB	165
api	TECH	154
git	TECH	119
anthropic	LIB	117
next	LIB	101
https	TECH	86
powershell	CLASS	82
github	TECH	71
ink	LIB	67

Figuras geradas

Arquivo	Conteúdo
figures/degree_dist_sentence.png	Distribuição de grau — sentença
figures/degree_dist_paragraph.png	Distribuição de grau — parágrafo
figures/degree_dist_k_chars.png	Distribuição de grau — k-chars
figures/graph_viz_sentence.png	Grafo — sentença (layout de força)
figures/graph_viz_paragraph.png	Grafo — parágrafo
figures/graph_viz_k_chars.png	Grafo — k-chars
figures/comparison_table.png	Tabela comparativa de métricas
figures/centrality_comparison.png	Top entidades por centralidade

Análise e insights

1. Estrutura geral

A codebase do Claude Code é altamente modular (16k imports, 1.888 arquivos TS). O volume de comentários (56% dos blocos) indica boa documentação inline — fonte rica para NER de linguagem natural quando spaCy for adicionado.

2. Comparação entre granularidades

• Sentença produz o grafo mais esparso (densidade 0,0025, grau médio 2,4). Apenas 49% dos nós estão no maior componente, com diâmetro alto (17), indicando muitos clusters isolados.
• Parágrafo gera o grafo mais denso (5.456 arestas, grau médio 6,0). 79% dos nós no maior componente, diâmetro menor (9), clustering alto (0,49). Melhor para capturar relações semânticas entre entidades.
• K-chars (500) fica entre os dois — mesma quantidade de nós que parágrafo mas com menos arestas, sugerindo que a janela fixa perde co-ocorrências de longa distância que o parágrafo natural captura.

3. Entidades centrais

• src aparece como nó mais conectado (grau 214) por ser parte dos caminhos de import (../src/...) — pode ser filtrado como ruído.
• claude e anthropic são os hubs reais da rede, conectando módulos de API, autenticação, e ferramentas.
• api, git, github refletem as tecnologias centrais do projeto (API da Anthropic, operações git).
• ink e react indicam a stack de UI (Ink é o framework React para CLIs que o Claude Code usa).

4. Propriedades de rede

• O clustering médio alto (0,49 em parágrafo) indica forte agrupamento local — entidades que co-ocorrem tendem a formar triângulos, refletindo módulos coesos.
• A transitividade (0,33 em parágrafo) sugere estrutura de comunidades — provável que Louvain revele clusters temáticos (tools, UI, API, auth).

5. Problemas identificados

• src como LIB é falso positivo — path fragment, não biblioteca.
• powershell classificado como CLASS (por ser CamelCase) — deveria ser TECH.
• next como LIB pode ser ambíguo (Next.js vs palavra “next”).

6. Próximos passos

• Filtrar ruído: remover src, caminhos relativos, e palavras comuns dos nós.
• Rodar com spaCy (en_core_web_lg) para entidades de linguagem natural.
• Detecção de comunidades (Louvain) para identificar clusters temáticos.
• Visualização interativa com pyvis.