BEIR基准数据集的数据卡

数据集摘要

BEIR是一个异构基准数据集，由18个不同的数据集组成，代表9个信息检索任务：

• 事实核查： FEVER ， Climate-FEVER ， SciFact
• 问答： NQ ， HotpotQA ， FiQA-2018
• 生物医学IR： TREC-COVID ， BioASQ ， NFCorpus
• 新闻检索： TREC-NEWS ， Robust04
• 论证检索： Touche-2020 ， ArguAna
• 重复问题检索： Quora ， CqaDupstack
• 引文预测： SCIDOCS
• 推文检索： Signal-1M
• 实体检索： DBPedia

所有这些数据集都经过预处理，可以用于您的实验。

支持的任务和排行榜

该数据集支持排行榜，评估模型针对特定任务的指标（如F1或EM），以及它们从维基百科中检索支持信息的能力。

目前最佳性能模型可以在 here 找到。

语言

所有任务均为英文（en）。

数据集结构

所有BEIR数据集必须包含一个语料库、查询和qrels（相关性判断文件）。它们必须使用以下格式：

• 语料库文件：一个.jsonl文件（jsonlines），包含一个字典列表，每个字典有三个字段：_id（唯一文档标识符）、title（文档标题，可选）和text（文档段落或段落）。例如：{"_id": "doc1", "title": "Albert Einstein", "text": "Albert Einstein was a German-born...."}
• 查询文件：一个.jsonl文件（jsonlines），包含一个字典列表，每个字典有两个字段：_id（唯一查询标识符）和text（查询文本）。例如：{"_id": "q1", "text": "Who developed the mass-energy equivalence formula?"}
• qrels文件：一个.tsv文件（制表符分隔），包含三列，即query-id、corpus-id和score，按此顺序。将第一行保留为标题。例如：q1 doc1 1

数据实例

BEIR数据集的一个高级示例：

corpus = {
    "doc1" : {
        "title": "Albert Einstein", 
        "text": "Albert Einstein was a German-born theoretical physicist. who developed the theory of relativity, \
                 one of the two pillars of modern physics (alongside quantum mechanics). His work is also known for \
                 its influence on the philosophy of science. He is best known to the general public for his mass–energy \
                 equivalence formula E = mc2, which has been dubbed 'the world's most famous equation'. He received the 1921 \
                 Nobel Prize in Physics 'for his services to theoretical physics, and especially for his discovery of the law \
                 of the photoelectric effect', a pivotal step in the development of quantum theory."
        },
    "doc2" : {
        "title": "", # Keep title an empty string if not present
        "text": "Wheat beer is a top-fermented beer which is brewed with a large proportion of wheat relative to the amount of \
                 malted barley. The two main varieties are German Weißbier and Belgian witbier; other types include Lambic (made\
                 with wild yeast), Berliner Weisse (a cloudy, sour beer), and Gose (a sour, salty beer)."
    },
}

queries = {
    "q1" : "Who developed the mass-energy equivalence formula?",
    "q2" : "Which beer is brewed with a large proportion of wheat?"
}

qrels = {
    "q1" : {"doc1": 1},
    "q2" : {"doc2": 1},
}

数据字段

所有配置的示例都具有以下特征：

语料库

• 语料库：表示文档标题和段落文本的dict特征，由以下内容组成：
  • _id：表示唯一文档id的字符串特征
    • 标题：表示文档标题的字符串特征。
    • 正文：表示文档正文的字符串特征。

查询

• 查询：表示查询的dict特征，由以下内容组成：
  • _id：表示唯一查询id的字符串特征
  • 文本：表示查询文本的字符串特征。

Qrels

• qrels：表示查询文档相关性判断的dict特征，由以下内容组成：
  • _id：表示查询id的字符串特征
    • _id：表示文档id的字符串特征。
    • score：表示查询和文档之间的相关性判断的int32特征。

数据拆分

数据集创建

策划原理

[需要更多信息]

源数据

[需要更多信息]

[需要更多信息]

注释

[需要更多信息]

[需要更多信息]

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

其他信息

数据集维护者

[需要更多信息]

许可信息

[需要更多信息]

引用信息

如下引用：

@inproceedings{
thakur2021beir,
title={{BEIR}: A Heterogeneous Benchmark for Zero-shot Evaluation of Information Retrieval Models},
author={Nandan Thakur and Nils Reimers and Andreas R{\"u}ckl{\'e} and Abhishek Srivastava and Iryna Gurevych},
booktitle={Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track (Round 2)},
year={2021},
url={https://openreview.net/forum?id=wCu6T5xFjeJ}
}

贡献者

感谢 @Nthakur20 添加此数据集。