PiC/phrase_retrieval

PiC: Phrase Retrieval数据集是一个用于短语检索任务的数据集，旨在在给定文档中找到与查询短语语义相似的短语。该数据集包含两个版本：PR-pass和PR-page，分别基于随机11句段落和整个Wikipedia页面。PR-pass包含28,147个示例，PR-page包含28,098个示例。数据集被分为测试集、开发集和训练集，分别包含5K、3K和约20K个示例。数据集的语言为英语，许可证为CC-BY-NC-4.0。

原始信息汇总

数据集概述

数据集名称

• 名称: PiC: Phrase Retrieval
• 别名: PR

数据集概要

• 任务: 语句检索任务，旨在从给定文档中找到与查询语句语义相似的目标语句。
• 版本: 两个版本，PR-pass 和 PR-page，分别包含 28,147 和 28,098 个样本。
• 数据结构: 每个样本包含查询语句、目标语句和包含目标语句的文档。
• 数据分割: 测试集 5K，开发集 3K，训练集约 20K。

语言信息

• 语言: 英语

数据集创建

• 注释创建者: 专家生成
• 语言创建者: 发现和专家生成
• 源数据: 原始数据

许可证

• 许可证: CC-BY-NC-4.0

数据集大小

• 大小范围: 10K<n<100K

数据集结构

• PR-pass:
  • 下载大小: 43.61 MB
  • 生成数据集大小: 36.98 MB
  • 总磁盘使用: 80.59 MB
• PR-page:
  • 下载大小: 421.56 MB
  • 生成数据集大小: 412.17 MB
  • 总磁盘使用: 833.73 MB

示例数据结构

• PR-pass: json { "id": "3478-1", "title": "https://en.wikipedia.org/wiki?curid=181261", "context": "...", "query": "dependable adaptation", "answers": { "text": ["reliable version"], "answer_start": [1006] } }

• PR-page: json { "id": "5961-2", "title": "https://en.wikipedia.org/wiki?curid=354711", "context": "...", "query": "accurate approach", "answers": { "text": ["correct method"], "answer_start": [2727] } }