multixscience_dense_oracle

This is a copy of the [Multi-XScience](https://huggingface.co/datasets/multi_x_science_sum) dataset, except the input source documents of the `train`, `validation`, and `test` splits have been replaced by a __dense__ retriever.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 `related_work` 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 |
| ----------- | ----------- | ----------- | ----------- |
| 0.5270 | 0.2005 | 0.2005 | 0.2005 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.5310 | 0.2026 | 0.2026 | 0.2026 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.5229 | 0.2081 | 0.2081 | 0.2081 |

本数据集为[Multi-XScience](https://huggingface.co/datasets/multi_x_science_sum)数据集的副本，仅将其`train`（训练集划分）、`validation`（验证集划分）与`test`（测试集划分）的输入源文档替换为**稠密检索器（dense retriever）**所获取的内容。所采用的检索流程如下：
- **查询（query）**：每个样本的`related_work`（相关工作）字段
- **语料库（corpus）**：`train`、`validation`和`test`划分中所有文档的并集
- **检索器（retriever）**：通过[PyTerrier](https://pyterrier.readthedocs.io/en/latest/)采用默认配置使用[`facebook/contriever-msmarco`](https://huggingface.co/facebook/contriever-msmarco)
- **Top-K策略（top-k strategy）**：采用"oracle"（神谕）策略，即检索文档数`k`设置为每个样本原始输入文档的数量

训练集检索结果：
| 召回率@100（Recall@100） | R准确率（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.5270 | 0.2005 | 0.2005 | 0.2005 |

验证集检索结果：
| 召回率@100（Recall@100） | R准确率（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.5310 | 0.2026 | 0.2026 | 0.2026 |

测试集检索结果：
| 召回率@100（Recall@100） | R准确率（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.5229 | 0.2081 | 0.2081 | 0.2081 |

搜集汇总

背景与挑战

背景概述

该数据集基于Multi-XScience数据集，使用facebook/contriever-msmarco检索器以'oracle'策略替换了训练、验证和测试分割的输入源文档为密集表示。它在各分割上展示了检索性能，如Recall@100约0.52-0.53，Rprec约0.20-0.21。