中文多领域段落检索评测基准Multi-CPR

Multi-CPR (A Multi-Domain Chinese Dataset for Passage Retrieval) 是用于段落检索的多领域中文数据集。 该数据集包括电商、娱乐视频和医疗3个领域，每个数据集包含数百万个段落和一定数量的人工标注查询-段落相关对。数据集由阿里巴巴智能引擎事业部提供，旨在推动中文跨领域段落检索技术的发展。<br /> Website：https://tianchi.aliyun.com/MultiCPR <br /> Paper: https://arxiv.org/abs/2203.03367<br /> Github: https://github.com/Alibaba-NLP/Multi-CPR<br />Multi-CPR (A Multi-Domain Chinese Dataset for Passage Retrieval) is a multi-domain Chinese dataset designed for passage retrieval tasks. It encompasses three domains: e-commerce, entertainment video, and healthcare. Each domain-specific subset includes millions of passages and a number of manually annotated query-passage relevance pairs. The dataset is supplied by the Intelligent Engine Division of Alibaba, with the objective of advancing the development of cross-domain Chinese passage retrieval technologies. Website: https://tianchi.aliyun.com/MultiCPR Paper: https://arxiv.org/abs/2203.03367 Github: https://github.com/Alibaba-NLP/Multi-CPR

搜集汇总

背景与挑战

背景概述

Multi-CPR是一个多领域中文段落检索数据集，覆盖电商、娱乐视频和医疗三个领域，每个领域包含数百万个段落和大量人工标注的查询-段落相关对，数据源自真实业务场景以确保多样性和准确性。该数据集旨在促进中文跨领域检索技术的研究与评测，提供完整的训练、验证和测试数据，并采用MRR@10作为评估指标。