allenai/wcep_sparse_max

---
annotations_creators:
- expert-generated
language_creators:
- expert-generated
language:
- en
license:
- other
multilinguality:
- monolingual
pretty_name: WCEP-10
size_categories:
- 1K<n<10K
source_datasets:
- original
task_categories:
- summarization
task_ids:
- news-articles-summarization
paperswithcode_id: wcep
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 [WCEP-10](https://huggingface.co/datasets/ccdv/WCEP-10) dataset, except the input source documents of its `test` split have been replaced by a __sparse__ retriever.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 |
| ----------- | ----------- | ----------- | ----------- |
| 0.8753 | 0.6443 | 0.5919 | 0.6588 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8706 | 0.6280 | 0.5988 | 0.6346 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8836 | 0.6658 | 0.6296 | 0.6746 |

annotations_creators:
- 专家生成（expert-generated）
language_creators:
- 专家生成（expert-generated）
language:
- 英语（en）
license:
- 其他（other）
multilinguality:
- 单语言（monolingual）
pretty_name: WCEP-10
size_categories:
- 1K<n<10K
source_datasets:
- 原始数据集（original）
task_categories:
- 摘要生成（summarization）
task_ids:
- 新闻文章摘要生成（news-articles-summarization）
paperswithcode_id: wcep
train-eval-index:
- config: default
task: 摘要生成（summarization）
task_id: summarization
splits:
train_split: train
eval_split: test
col_mapping:
document: text
summary: target
metrics:
- type: rouge
name: Rouge

本数据集为[WCEP-10](https://huggingface.co/datasets/ccdv/WCEP-10)的复刻版本，仅将其测试（test）拆分的输入源文档替换为**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
- **语料库（corpus）**：训练（train）、验证（validation）与测试（test）拆分的全部文档的并集
- **检索器（retriever）**：基于[PyTerrier](https://pyterrier.readthedocs.io/en/latest/)实现的BM25算法，使用默认配置
- **Top-k策略（top-k strategy）**：`"max"`，即检索返回的文档数`k`设置为该数据集所有样本中出现的最大文档数，此处`k=10`

训练集检索结果：
| 召回率@100（Recall@100） | R-precision（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8753 | 0.6443 | 0.5919 | 0.6588 |

验证集检索结果：
| 召回率@100（Recall@100） | R-precision（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8706 | 0.6280 | 0.5988 | 0.6346 |

测试集检索结果：
| 召回率@100（Recall@100） | R-precision（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8836 | 0.6658 | 0.6296 | 0.6746 |

原始信息汇总

数据集概述

基本信息

• 名称: WCEP-10
• 语言: 英语（en）
• 许可证: 其他（other）
• 多语言性: 单语（monolingual）
• 大小: 1K<n<10K
• 数据来源: 原始（original）

创建者信息

• 标注创建者: 专家生成（expert-generated）
• 语言创建者: 专家生成（expert-generated）

任务与结构

• 任务类别: 摘要生成（summarization）
• 任务ID: news-articles-summarization
• 训练与评估索引:
  • 配置: 默认
  • 任务: 摘要生成
  • 任务ID: 摘要生成
  • 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

搜集汇总

背景与挑战

背景概述

该数据集是WCEP-10数据集的变体，专门用于新闻文章摘要任务，包含约10.2k行英文文档-摘要对。其关键特点是test分割的输入文档通过BM25稀疏检索器进行替换，采用'max'策略（k=10）检索相关文档，旨在模拟摘要生成中的文档检索过程，并提供检索性能指标以支持评估。