dewikIR36k

NIAID Data Ecosystem2026-03-11 收录

多语言信息检索

文本检索任务

数据链接：

https://zenodo.org/record/3597300 数据链接链接失效反馈

官方服务：

资源简介：

German Information Retrieval dataset build with the wikIR tool.

创建时间：

2020-03-12

mMARCO

多语言信息检索

深度学习评估

mMARCO是一个多语言版本的MS MARCO段落排序数据集，由坎皮纳斯大学神经网络实验室创建，包含13种语言。该数据集通过机器翻译创建，旨在解决非英语语言在信息检索任务中训练资源稀缺的问题。数据集包含超过53万条查询-段落相关对，适用于训练和评估深度学习模型。mMARCO的创建不仅丰富了多语言信息检索的训练资源，还通过零样本学习场景的评估，展示了其对提升模型效果的潜力。

arXiv2022-08-18 更新1060

lemon-mint/mr-tydi-ko-all-prefixed

多语言信息检索

稠密检索训练

该数据集包含三个主要特征：anchor、positive和negative，每个特征的数据类型均为字符串。数据集仅包含一个训练集，共有131,700个样本，总大小为191,988,250字节。下载大小为52,482,755字节。数据集的配置名为default，数据文件路径为data/train-*。

Hugging Face2024-07-02 更新100

WueNLP/mvl-sib

多模态理解

多语言信息检索

MVL-SIB是一个大规模多语言视觉-语言数据集，包含205种语言的图像-句子对，分为7个主题类别，用于跨模态主题匹配任务。

Hugging Face2025-03-12 更新60

miracl/miracl

多语言信息检索

搜索技术

MIRACL（跨语言连续体的多语言信息检索）是一个多语言检索数据集，专注于18种不同语言的搜索，这些语言在全球范围内拥有超过30亿的母语使用者。该数据集包含16种已知语言的收集数据，另外2种惊喜语言的数据将在稍后发布。数据集的主题由每种语言的母语者生成，并且他们还会标记主题与给定文档列表之间的相关性。该存储库仅包含MIRACL的主题和qrels。数据集的结构包括主题和qrels，分别以.tsv和标

Hugging Face2024-12-29 更新280

mteb/NeuCLIR2023Retrieval_rus_top_250_only_w_correct-v2

多语言信息检索

俄语文本检索

该数据集包含三个配置：corpus、default和queries。corpus配置存储文本数据，default配置可能表示查询和文本之间的关系，queries配置存储查询文本数据。数据集包含测试集，适用于自然语言处理任务。

Hugging Face2024-09-28 更新100