wcep_dense_oracle

This is a copy of the [WCEP-10](https://huggingface.co/datasets/ccdv/WCEP-10) dataset, except the input source documents of the `train`, `validation`, and `test` splits have been replaced by a __dense__ retriever.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__: [`facebook/contriever-msmarco`](https://huggingface.co/facebook/contriever-msmarco) 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 |
| ----------- | ----------- | ----------- | ----------- |
| 0.8590 | 0.6490 | 0.6490 | 0.6490 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8578 | 0.6326 | 0.6326 | 0.6326 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8678 | 0.6631 | 0.6631 | 0.6631 |

本数据集为[WCEP-10](https://huggingface.co/datasets/ccdv/WCEP-10)的复现副本，仅将其`train`（训练集）、`validation`（验证集）与`test`（测试集）划分的输入源文档替换为**稠密检索器（dense retriever）**所获取的结果。本次所用检索流程如下：

- **查询（query）**：每个示例的`summary`（摘要）字段
- **语料库（corpus）**：`train`、`validation`与`test`划分中所有文档的并集
- **检索器（retriever）**：通过PyTerrier采用默认配置实现的[`facebook/contriever-msmarco`](https://huggingface.co/facebook/contriever-msmarco)模型
- **Top-K检索策略（top-k strategy）**：采用"神谕（oracle）"策略，即检索返回的文档数量`k`与每个示例的原始输入文档数目保持一致

训练集检索结果：
| 召回率@100（Recall@100） | Rprec | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8590 | 0.6490 | 0.6490 | 0.6490 |

验证集检索结果：
| 召回率@100（Recall@100） | Rprec | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8578 | 0.6326 | 0.6326 | 0.6326 |

测试集检索结果：
| 召回率@100（Recall@100） | Rprec | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8678 | 0.6631 | 0.6631 | 0.6631 |

搜集汇总

背景与挑战

背景概述

该数据集是WCEP-10的副本，其训练、验证和测试分割中的输入源文档已被密集检索器替换。检索过程基于摘要字段查询，使用facebook/contriever-msmarco检索器，并采用oracle策略设置文档数量k，同时提供了各分割的检索性能指标。