allenai/multinews_sparse_max

---
annotations_creators:
- expert-generated
language_creators:
- expert-generated
language:
- en
license:
- other
multilinguality:
- monolingual
pretty_name: Multi-News
size_categories:
- 10K<n<100K
source_datasets:
- original
task_categories:
- summarization
task_ids:
- news-articles-summarization
paperswithcode_id: multi-news
train-eval-index:
- config: default
task: summarization
task_id: summarization
splits:
train_split: train
eval_split: test
col_mapping:
document: text
summary: target
metrics:
- type: rouge
name: Rouge
---

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dataset, except the input source documents of its `test` split have been replaced by a __sparse__ retriever.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

- __query__: The `summary` field of each example
- __corpus__: The union of all documents in the `train`, `validation` and `test` splits
- __retriever__: BM25 via [PyTerrier](https://pyterrier.readthedocs.io/en/latest/) with default settings
- __top-k strategy__: `"max"`, i.e. the number of documents retrieved, `k`, is set as the maximum number of documents seen across examples in this dataset, in this case `k==10`

Retrieval results on the `train` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8793 | 0.7460 | 0.2213 | 0.8264 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8748 | 0.7453 | 0.2173 | 0.8232 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8775 | 0.7480 | 0.2187 | 0.8250 |

annotations_creators:
- 专家生成
language_creators:
- 专家生成
language:
- 英语（en）
license:
- 其他
multilinguality:
- 单语
pretty_name: Multi-News
size_categories:
- 10000 < 样本数量 < 100000
source_datasets:
- 原生数据集
task_categories:
- 文本摘要
task_ids:
- 新闻文章摘要
paperswithcode_id: multi-news
train-eval-index:
- config: 默认（default）
task: 文本摘要
task_id: summarization
splits:
train_split: train
eval_split: test
col_mapping:
document: 文本
summary: 目标
metrics:
- type: ROUGE
name: Rouge

本数据集为[Multi-News](https://huggingface.co/datasets/multi_news)数据集的复刻版本，仅其测试划分（test split）的输入源文档已被替换为稀疏检索器（sparse retriever）的检索结果。所采用的检索流程如下：
- 查询（query）：每个样本的`summary`字段
- 检索语料库（corpus）：训练、验证与测试划分中所有文档的并集
- 检索器（retriever）：基于[PyTerrier](https://pyterrier.readthedocs.io/en/latest/)实现的BM25算法，采用默认参数配置
- Top-K选取策略（top-k strategy）：采用"max"模式，即检索文档数`k`被设置为该数据集中所有样本所需的最大文档数，本次配置中`k=10`

训练集检索效果：
| 召回率@100 | R精度（Rprec） | 精确率@k | 召回率@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8793 | 0.7460 | 0.2213 | 0.8264 |

验证集检索效果：
| 召回率@100 | R精度（Rprec） | 精确率@k | 召回率@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8748 | 0.7453 | 0.2173 | 0.8232 |

测试集检索效果：
| 召回率@100 | R精度（Rprec） | 精确率@k | 召回率@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8775 | 0.7480 | 0.2187 | 0.8250 |

原始信息汇总

数据集概述

• 名称: Multi-News
• 语言: 英语 (en)
• 许可证: 其他 (other)
• 多语言性: 单语 (monolingual)
• 大小: 10K<n<100K
• 来源: 原始 (original)
• 任务类别: 摘要生成 (summarization)
• 任务ID: news-articles-summarization
• 训练与评估配置:
  • 任务: 摘要生成
  • 任务ID: summarization
  • 分割:
    • 训练分割: train
    • 评估分割: test
  • 列映射:
    • 文档: text
    • 摘要: target
  • 评估指标:
    • 类型: rouge
    • 名称: Rouge

数据集特点

• 注释创建者: 专家生成 (expert-generated)
• 语言创建者: 专家生成 (expert-generated)