multixscience_sparse_oracle

This is a copy of the [Multi-XScience](https://huggingface.co/datasets/multi_x_science_sum) dataset, except the input source documents of its `test` split have been replaced by a __sparse__ retriever.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__: BM25 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 |
| ----------- | ----------- | ----------- | ----------- |
| 0.5482 | 0.2243 | 0.2243 | 0.2243 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.5476 | 0.2209 | 0.2209 | 0.2209 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.5480 | 0.2272 | 0.2272 | 0.2272 |

本数据集为[Multi-XScience](https://huggingface.co/datasets/multi_x_science_sum)数据集的副本，仅将其`test`子集的输入源文档替换为**稀疏检索器（sparse retriever）**。所采用的检索流程如下：
- **查询（query）**：每个样本的`related_work`字段
- **语料库（corpus）**：`train`训练子集、`validation`验证子集与`test`测试子集内所有文档的并集
- **检索器（retriever）**：基于[PyTerrier](https://pyterrier.readthedocs.io/en/latest/)实现的BM25检索器，采用默认配置
- **top-k策略（top-k strategy）**：`"oracle"`，即检索返回的文档数`k`设置为每个样本的原始输入文档数量

训练集检索指标如下：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.5482 | 0.2243 | 0.2243 | 0.2243 |

验证集检索指标如下：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.5476 | 0.2209 | 0.2209 | 0.2209 |

测试集检索指标如下：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.5480 | 0.2272 | 0.2272 | 0.2272 |

搜集汇总

背景与挑战

背景概述

该数据集是Multi-XScience的一个变体，其测试集的输入文档被替换为通过BM25稀疏检索器获取的结果，检索时使用'related_work'字段作为查询并采用'oracle'策略。在训练、验证和测试集上，检索性能指标如Recall@100均约为0.55，Precision@k约为0.22。