avsolatorio/mteb-mtop_domain-avs_triplets

该数据集名为MTEB MTOP Domain Triplets Dataset，用于论文GISTEmbed: Guided In-sample Selection of Training Negatives for Text Embedding Fine-tuning。数据集包含id、text、label、label_text、idx、query_idx、positive_idx和negative_idx等特征。数据集包含一个训练集，大小为1487475字节，包含15667个样本。数据集的生成代码可在GitHub上找到。

The MTEB MTOP Domain Triplets Dataset is used for the selection of training negatives for text embedding fine-tuning. It includes features such as id, text, label, and details for different data splits like the training set. The dataset generation code is available on GitHub, and more details can be found in the associated paper.

原始信息汇总

MTEB MTOP Domain Triplets Dataset

数据集信息

特征

• id: 数据类型为 int64
• text: 数据类型为 string
• label: 数据类型为 int32
• label_text: 数据类型为 string
• idx: 数据类型为 int64
• query_idx: 数据类型为 int64
• positive_idx: 数据类型为 int64
• negative_idx: 数据类型为 int64

分割

• train: 包含 15667 个样本，总字节数为 1487475

大小

• 下载大小: 912396 字节
• 数据集大小: 1487475 字节

配置

• default: 包含训练数据文件，路径为 data/train-*

引用

@article{solatorio2024gistembed, title={GISTEmbed: Guided In-sample Selection of Training Negatives for Text Embedding Fine-tuning}, author={Aivin V. Solatorio}, journal={arXiv preprint arXiv:2402.16829}, year={2024}, URL={https://arxiv.org/abs/2402.16829}, eprint={2402.16829}, archivePrefix={arXiv}, primaryClass={cs.LG} }