BEIR基准数据集数据卡

数据集摘要

BEIR是一个由18个不同数据集构建的异构基准数据集，代表9个信息检索任务：

• 事实核查： FEVER ， Climate-FEVER ， SciFact
• 问答： NQ ， HotpotQA ， FiQA-2018
• 生物医学信息检索： 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

该数据集支持根据特定任务的度量标准（如F1或EM）以及从维基百科检索支持信息的能力评估模型的排行榜。

目前最佳表现模型可在 here 中找到。

语言

所有任务都是用英语（en）进行的。

数据集结构

所有BEIR数据集都必须包含语料库、查询和qrels（相关性判断文件）。它们必须采用以下格式：

• 语料库文件：.jsonl（jsonlines）文件，包含一个字典列表，每个字典包含三个字段_id（唯一文档标识符）、标题（可选）和文本（段落或段落）的文档标题。例如：{"_id": "doc1", "title": "阿尔伯特·爱因斯坦", "text": "阿尔伯特·爱因斯坦是德国出生的..."}
• 查询文件：.jsonl（jsonlines）文件，包含一个字典列表，每个字典包含两个字段_id（唯一查询标识符）和文本（查询文本）。例如：{"_id": "q1", "text": "谁发展了质能等效公式？"}
• qrels文件：.tsv（制表符分隔符）文件，包含三列，即查询id、语料库id和分数，按此顺序。保留第一行作为标题。例如：q1 doc1 1

数据实例

BEIR数据集的高级示例：

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

所有配置的示例具有以下特性：

语料库

• 语料库：表示文档标题和段落文本的字典特征，由以下组成：
• _id：表示唯一文档ID的字符串特征
• title：表示文档标题的字符串特征。
• text：表示文档正文的字符串特征。

查询

• 查询：表示查询的字典特征，由以下组成：
• _id：表示唯一查询ID的字符串特征
• text：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字典特征，由以下组成：
• _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

策划理由

[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]

使用数据时的注意事项

数据集的社会影响

[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]

附加信息

数据集策划者

[需要更多信息]

许可信息

[需要更多信息]

引用信息

引用方式：

@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

感谢 @Nthakur20 添加了这个数据集。