multinews_dense_oracle

This is a copy of the [Multi-News](https://huggingface.co/datasets/multi_news) dataset, except the input source documents of the `train`, `validation`, and `test` splits have been replaced by a __dense__ retriever.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 |
| ----------- | ----------- | ----------- | ----------- |
| 0.8661 | 0.6867 | 0.6867 | 0.6867 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8626 | 0.6859 | 0.6859 | 0.6859 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8625 | 0.6927 | 0.6927 | 0.6927 |

本数据集为[Multi-News](https://huggingface.co/datasets/multi_news)数据集的复刻版本，仅将其`train`（训练）、`validation`（验证）与`test`（测试）划分的输入源文档替换为**稠密检索器（dense retriever）**所获取的内容。所采用的检索流程如下：
- **查询（query）**：每个样本的`summary`（摘要）字段
- **语料库（corpus）**：`train`、`validation`及`test`划分中所有文档的并集
- **检索器（retriever）**：基于[PyTerrier](https://pyterrier.readthedocs.io/en/latest/)框架，采用默认配置的[`facebook/contriever-msmarco`](https://huggingface.co/facebook/contriever-msmarco)模型
- **Top-K检索策略（top-k strategy）**：采用**神谕式（oracle）**策略，即检索返回的文档数`k`与每个样本原始的输入文档数量保持一致。

训练集检索结果：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8661 | 0.6867 | 0.6867 | 0.6867 |

验证集检索结果：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8626 | 0.6859 | 0.6859 | 0.6859 |

测试集检索结果：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8625 | 0.6927 | 0.6927 | 0.6927 |

搜集汇总

背景与挑战

背景概述

该数据集基于Multi-News数据集，通过密集检索器替换了原始输入文档，使用摘要作为查询并检索原始文档数量的文档。在训练、验证和测试集上，检索性能指标如Recall@100和Rprec均表现稳定。