cochrane_sparse_oracle

This is a copy of the [Cochrane](https://huggingface.co/datasets/allenai/mslr2022) dataset, except the input source documents of its `validation` split have been replaced by a __sparse__ retriever. The retrieval pipeline used:

- __query__: The `target` field of each example
- __corpus__: The union of all documents in the `train`, `validation` and `test` splits. A document is the concatenation of the `title` and `abstract`.
- __retriever__: BM25 via [PyTerrier](https://pyterrier.readthedocs.io/en/latest/) with default settings
- __top-k strategy__: `"oracle"`, i.e. the number of documents retrieved, `k`, is set as the original number of input documents for each example

Retrieval results on the `train` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.7014 | 0.3841 | 0.3841 | 0.3841 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.7226 | 0.4023 | 0.4023 | 0.4023 |

Retrieval results on the `test` set:

N/A. Test set is blind so we do not have any queries.

本数据集为[Cochrane](https://huggingface.co/datasets/allenai/mslr2022)的复刻版本，仅将其`validation`（验证划分）的输入源文档替换为**稀疏（sparse）**检索器所获取的内容。所采用的检索流程如下：
- 查询（query）：每个样本的`target`（目标）字段
- 语料库（corpus）：`train`（训练划分）、`validation`（验证划分）与`test`（测试划分）下的全部文档的并集。单篇文档由`title`（标题）与`abstract`（摘要）拼接而成。
- 检索器（retriever）：采用基于[PyTerrier](https://pyterrier.readthedocs.io/en/latest/)实现的BM25检索算法，参数设置为默认值
- Top-k检索策略（top-k strategy）：采用**"oracle"（神谕）**策略，即检索返回的文档数`k`与每个样本原始输入文档的数量保持一致。

训练集检索结果如下：
| 召回率@100（Recall@100） | Rprec | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.7014 | 0.3841 | 0.3841 | 0.3841 |

验证集检索结果如下：
| 召回率@100（Recall@100） | Rprec | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.7226 | 0.4023 | 0.4023 | 0.4023 |

测试集检索结果：无可用数据。因测试集为盲集（blind dataset），故未提供任何查询相关信息。