CTMatch信息检索数据集

这是经过处理的临床试验文档数据集，有点类似于在datasets/ir_datasets中找到的数据集，只不过这些数据经过了ctproc的预处理，以清洁并提取临床试验文档中的有用字段。

注意：由于在ctmatch中有下游任务所以当前将它们保存为文本文件，不过将来可能会转换为.csv格式。

每个.txt文件恰好有374648行对应的数据：

doc_texts.txt

• 使用ctproc从文档中提取的字段（仅使用资格和适格标准），结构化为以下示例（来自NCT00000102）：“纳入标准：被诊断为先天性肾上腺增生症（CAH），基线评估期间正常的心电图，排除标准：肝病史或肝功能异常，心血管疾病史”

doc_categories.txt：

• 1 x 14向量，是使用零样本分类模型facebook/bart-large-mnli生成的主题概率（softmax输出），按以下方式进行词汇排序：癌症，心脏，内分泌，胃肠，遗传，健康，感染，神经，其他，儿科，心理，肺部，肾脏，生殖

doc_embeddings.txt：

• 1 x 384向量，取自使用SentenceTransformers（sentence-transformers/all-MiniLM-L6-v2）对编码的文档文本进行的最后一个隐藏状态的模型嵌入

index2docid.txt：

• 将索引映射到NCTID的简单映射，用于整个IR程序中的过滤和参考，与向量、文本表示顺序对应