wcep_sparse_oracle

This is a copy of the [WCEP-10](https://huggingface.co/datasets/ccdv/WCEP-10) dataset, except the input source documents of its `test` split have been replaced by a __sparse__ retriever. The retrieval pipeline used:

- __query__: The `summary` 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 |
| ----------- | ----------- | ----------- | ----------- |
| 0.8753 | 0.6443 | 0.6443 | 0.6443 |

Retrieval results on the `validation` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8706 | 0.6280 | 0.6280 | 0.6280 |

Retrieval results on the `test` set:

| Recall@100 | Rprec | Precision@k | Recall@k |
| ----------- | ----------- | ----------- | ----------- |
| 0.8836 | 0.6658 | 0.6658 | 0.6658 |

本数据集为[WCEP-10](https://huggingface.co/datasets/ccdv/WCEP-10)的副本，仅将其`test`划分的输入源文档替换为**稀疏检索器（sparse retriever）**获取的结果。所采用的检索流水线（retrieval pipeline）如下：
- **查询（query）**：每个样本的`summary`字段
- **语料库（corpus）**：`train`、`validation`与`test`划分中所有文档的并集
- **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精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8753 | 0.6443 | 0.6443 | 0.6443 |

验证集检索结果：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8706 | 0.6280 | 0.6280 | 0.6280 |

测试集检索结果：
| 召回率@100（Recall@100） | R精度（Rprec） | 精确率@k（Precision@k） | 召回率@k（Recall@k） |
| ----------- | ----------- | ----------- | ----------- |
| 0.8836 | 0.6658 | 0.6658 | 0.6658 |

搜集汇总

背景与挑战

背景概述

该数据集基于WCEP-10构建，通过稀疏检索器（BM25）替换测试集的输入文档，采用'oracle'策略从所有分割中检索与原始数量相同的文档。检索性能在训练、验证和测试集上均通过Recall@100和Precision@k等指标进行评估。