mteb/SciDocsRR

该数据集包含四种配置：语料库（corpus）、默认（default）、查询（queries）和顶尖排名（top_ranked）。每种配置都包含特定的特征，如唯一标识符、文本内容和分数。数据集还提供了验证集和测试集的大小（以字节为单位）和示例数量。具体来说，语料库配置包含文本标题和内容，默认配置包含查询和语料库的ID以及分数，查询配置包含查询文本，而顶尖排名配置包含查询ID和一系列语料库ID。

The dataset consists of four configurations: corpus, default, queries, and top_ranked. Each configuration includes specific features such as unique identifiers, text content, and scores. The dataset also provides the size in bytes and number of examples for the validation and test sets. Specifically, the corpus configuration includes text titles and content, the default configuration includes query and corpus IDs along with scores, the queries configuration includes query text, and the top_ranked configuration includes query IDs and a sequence of corpus IDs.

搜集汇总

背景与挑战

背景概述

SciDocsRR是MTEB基准测试中的一个数据集，专注于科学论文的文本排序任务，用于评估嵌入模型在学术领域的性能。该数据集包含约237,000行数据，格式为parquet，语言为英语，基于论文标题进行相关文档排序，并提供了详细的统计信息以支持模型评估。