sentence-transformers/msmarco-distilbert-margin-mse-mnrl-mean-v1

MS MARCO with hard negatives from distilbert-margin-mse-mnrl-mean-v1 是一个基于 Bing 搜索引擎真实用户搜索查询的大规模信息检索语料库。该数据集包含多种三元组（查询、正例、负例）子集，用于训练 Sentence Transformer 模型。子集包括唯一三元组、所有三元组、困难三元组和 50 个三元组，每种子集都有字符串和 ID 两种格式。该数据集适用于特征提取和句子相似性等任务。

原始信息汇总

数据集概述

数据集基本信息

• 语言: 英语
• 多语言性: 单语种
• 数据集大小: 10M<n<100M
• 任务类别: 特征提取、句子相似度
• 标签: sentence-transformers
• 数据集名称: MS MARCO with hard negatives from distilbert-margin-mse-mnrl-mean-v1

数据集配置详情

配置 triplet

• 特征:
  • query: 字符串
  • positive: 字符串
  • negative: 字符串
• 分割:
  • train:
    • 字节数: 362311399
    • 样本数: 502939
• 下载大小: 237696494
• 数据集大小: 362311399

配置 triplet-50

• 特征:
  • query: 字符串
  • positive: 字符串
  • negative_1 至 negative_50: 字符串
• 分割:
  • train:
    • 字节数: 9055753225
    • 样本数: 502939
• 下载大小: 5925261472
• 数据集大小: 9055753225

配置 triplet-50-ids

• 特征:
  • query: 整数
  • positive: 整数
  • negative_1 至 negative_50: 整数
• 分割:
  • train:
    • 字节数: 209222624
    • 样本数: 502939
• 下载大小: 178194153
• 数据集大小: 209222624

配置 triplet-all

• 特征:
  • query: 字符串
  • positive: 字符串
  • negative: 字符串
• 分割:
  • train:
    • 字节数: 19859742653
    • 样本数: 26637550
• 下载大小: 4302280797
• 数据集大小: 19859742653

配置 triplet-all-ids

• 特征:
  • query: 整数
  • positive: 整数
  • negative: 整数
• 分割:
  • train:
    • 字节数: 639301200
    • 样本数: 26637550
• 下载大小: 190499061
• 数据集大小: 639301200

配置 triplet-hard

• 特征:
  • query: 字符串
  • positive: 字符串
  • negative: 字符串
• 分割:
  • train:
    • 字节数: 8851042421
    • 样本数: 12149686
• 下载大小: 2270891305
• 数据集大小: 8851042421

配置 triplet-hard-ids

• 特征:
  • query: 整数
  • positive: 整数
  • negative: 整数
• 分割:
  • train:
    • 字节数: 291592464
    • 样本数: 12149686
• 下载大小: 93357261
• 数据集大小: 291592464

配置 triplet-ids

• 特征:
  • query: 整数
  • positive: 整数
  • negative: 整数
• 分割:
  • train:
    • 字节数: 12070536
    • 样本数: 502939
• 下载大小: 10131713
• 数据集大小: 12070536