five

IR-Cocktail/cqadupstack

收藏
Hugging Face2024-05-22 更新2024-06-12 收录
下载链接:
https://hf-mirror.com/datasets/IR-Cocktail/cqadupstack
下载链接
链接失效反馈
官方服务:
资源简介:
Cocktail数据集是一个综合性的信息检索基准数据集,集成了LLM生成的文档。该数据集包含了16个基准数据集,涵盖了多个领域,如生物医学、维基百科、金融、科学等。每个数据集都包含人类编写的语料库、LLM生成的语料库、查询和相关性文件,且这些文件必须遵循特定的格式。数据集的结构包括corpus目录(包含人类编写的语料库和LLM生成的语料库)、qrels目录(包含测试查询的相关性文件)和queries.jsonl文件(包含查询信息)。

Cocktail数据集是一个综合性的信息检索基准数据集,集成了LLM生成的文档。该数据集包含了16个基准数据集,涵盖了多个领域,如生物医学、维基百科、金融、科学等。每个数据集都包含人类编写的语料库、LLM生成的语料库、查询和相关性文件,且这些文件必须遵循特定的格式。数据集的结构包括corpus目录(包含人类编写的语料库和LLM生成的语料库)、qrels目录(包含测试查询的相关性文件)和queries.jsonl文件(包含查询信息)。
提供机构:
IR-Cocktail
原始信息汇总

数据集概述

数据集列表

数据集 原始网站 Cocktail网站 Cocktail名称 处理后数据的md5值 领域 相关性级别 测试查询数量 语料库大小
MS MARCO https://microsoft.github.io/msmarco/ https://huggingface.co/datasets/IR-Cocktail/msmarco msmarco 985926f3e906fadf0dc6249f23ed850f Misc. Binary 6,979 542,203
DL19 https://microsoft.github.io/msmarco/TREC-Deep-Learning-2019 https://huggingface.co/datasets/IR-Cocktail/dl19 dl19 d652af47ec0e844af43109c0acf50b74 Misc. Binary 43 542,203
DL20 https://microsoft.github.io/msmarco/TREC-Deep-Learning-2020 https://huggingface.co/datasets/IR-Cocktail/dl20 dl20 3afc48141dce3405ede2b6b937c65036 Misc. Binary 54 542,203
TREC-COVID https://ir.nist.gov/covidSubmit/index.html https://huggingface.co/datasets/IR-Cocktail/trec-covid trec-covid 1e1e2264b623d9cb7cb50df8141bd535 Bio-Medical 3-level 50 128,585
NFCorpus https://www.cl.uni-heidelberg.de/statnlpgroup/nfcorpus/ https://huggingface.co/datasets/IR-Cocktail/nfcorpus nfcorpus 695327760647984c5014d64b2fee8de0 Bio-Medical 3-level 323 3,633
NQ https://ai.google.com/research/NaturalQuestions https://huggingface.co/datasets/IR-Cocktail/nq nq a10bfe33efdec54aafcc974ac989c338 Wikipedia Binary 3,446 104,194
HotpotQA https://hotpotqa.github.io/ https://huggingface.co/datasets/IR-Cocktail/hotpotqa hotpotqa 74467760fff8bf8fbdadd5094bf9dd7b Wikipedia Binary 7,405 111,107
FiQA-2018 https://sites.google.com/view/fiqa/ https://huggingface.co/datasets/IR-Cocktail/fiqa fiqa 4e1e688539b0622630fb6e65d39d26fa Finance Binary 648 57,450
Touché-2020 https://webis.de/events/touche-20/shared-task-1.html https://huggingface.co/datasets/IR-Cocktail/webis-touche2020 webis-touche2020 d58ec465ccd567d8f75edb419b0faaed Misc. 3-level 49 101,922
CQADupStack http://nlp.cis.unimelb.edu.au/resources/cqadupstack/ https://huggingface.co/datasets/IR-Cocktail/dcqadupstackl19 cqadupstack d48d963bc72689c765f381f04fc26f8b StackEx. Binary 1,563 39,962
DBPedia https://github.com/iai-group/DBpedia-Entity/ https://huggingface.co/datasets/IR-Cocktail/dbpedia-entity dbpedia-entity 43292f4f1a1927e2e323a4a7fa165fc1 Wikipedia 3-level 400 145,037
SCIDOCS https://allenai.org/data/scidocs https://huggingface.co/datasets/IR-Cocktail/scidocs scidocs 4058c0915594ab34e9b2b67f885c595f Scientific Binary 1,000 25,259
FEVER http://fever.ai/ https://huggingface.co/datasets/IR-Cocktail/fever fever 98b631887d8c38772463e9633c477c69 Wikipedia Binary 6,666 114,529
Climate-FEVER http://climatefever.ai/ https://huggingface.co/datasets/IR-Cocktail/climate-fever climate-fever 5734d6ac34f24f5da496b27e04ff991a Wikipedia Binary 1,535 101,339
SciFact https://github.com/allenai/scifact https://huggingface.co/datasets/IR-Cocktail/scifact scifact b5b8e24ccad98c9ca959061af14bf833 Scientific Binary 300 5,183
NQ-UTD https://anonymous.4open.science/r/Cocktail-BA4B/ https://huggingface.co/datasets/IR-Cocktail/nq-utd nq-utd 2e12e66393829cd4be715718f99d2436 Misc. 3-level 80 800

数据集结构

shell . ├── corpus # 文档集合 │ ├── human.jsonl # 人类编写的语料库 │ └── llama-2-7b-chat-tmp0.2.jsonl # LLM生成的语料库 ├── qrels │ └── test.tsv # 查询的相关性评分 └── queries.jsonl # 查询集合

数据集必须包含人类编写的语料库、LLM生成的语料库、查询和相关性评分。格式要求如下:

  • corpus: .jsonl 文件,包含一系列字典,每个字典包含三个字段:_id(唯一文档标识符)、title(文档标题,可选)和text(文档段落或文本)。
  • queries 文件: .jsonl 文件,包含一系列字典,每个字典包含两个字段:_id(唯一查询标识符)和text(查询文本)。
  • qrels 文件: .tsv 文件,包含三个列:query-idcorpus-idscore。第一行作为标题。
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作