BEIR基准数据集数据卡

数据集摘要

BEIR是一个综合性基准数据集，由18个不同的数据集组成，代表了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
• 问题重复检索： 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，可用于实验。

支持的任务和榜单

数据集支持一个榜单，该榜单使用任务特定的度量标准（如F1或EM）来评估模型，以及模型检索维基百科的能力。

当前表现最好的模型可以在 here 找到。

语言

所有任务都是用英语（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）。它们必须具有以下格式：

• 语料库文件：.jsonl文件（jsonlines格式），包含一个字典列表，每个字典有三个字段_id，具有唯一的文档标识符，标题具有文档标题（可选）和文本具有文档段落或段落的文本。例如：{"_id": "doc1", "title": "Albert Einstein", "text": "Albert Einstein was a German-born...."}
• 查询文件：.jsonl文件（jsonlines格式），包含一个字典列表，每个字典具有两个字段_id具有唯一的查询标识符和text具有查询文本。例如：{"_id": "q1", "text": "Who developed the mass-energy equivalence formula?"}
• qrels文件：.tsv文件（以制表符分隔），包含三列，即query-id，corpus-id和score，以此顺序。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字典特征，由以下部分组成：
  • _id：表示唯一文档id的字符串特征
    • title：字符串特征，表示文档的标题。
    • text：字符串特征，表示文档的文本。

查询

• 查询：表示查询的字典特征，由以下部分组成：
  • _id：表示唯一查询id的字符串特征
  • text：字符串特征，表示查询的文本。

Qrels

• qrels：表示查询文档相关性判断的字典特征，由以下部分组成：
  • _id：表示查询id的字符串特征
    • _id：字符串特征，表示文档id。
    • score：int32特征，表示查询与文档之间的相关性判断。

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]

其他信息

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 添加了该数据集。