IR 召回测试数据集（中文测试集）——T2Ranking

        文章排名包括两个阶段：文章检索和文章重排序，这对信息检索（IR）领域的学术界和业界来说都是重要而具有挑战性的课题。然而，常用的文章排名数据集通常集中在英语语言上。对于非英语场景，如中文，现有的数据集在数据规模、细粒度相关性注释和假阴性问题方面受到限制。为了解决这个问题，我们引入了T2排名，一个大规模的中国通过排名基准。T2排名包括超过300K的查询和超过200万个独特的段落，来自现实世界的搜索引擎。专家注释者被招募来为查询通道对提供4级分级的相关性评分（细粒度），而不是二进制的相关性判断（粗粒度）。为了缓解假阴性问题，在执行相关性注释时，会考虑更多具有更高多样性的段落，特别是在测试集中，以确保更准确的评估。除了文本查询和通道数据外，还提供了其他辅助资源，如查询类型和文档的XML文件哪些段落被产生，以促进进一步的研究。为了评估数据集，实现了常用的排名模型，并在T2排名上进行了测试。实验结果表明，T2排名具有挑战性，仍有改进的空间。

一、资料

论文

https://arxiv.org/pdf/2304.03679.pdf

中文论文摘取

SIGIR 2023 | 30万真实查询、200万互联网段落，中文段落排序基准数据集发布 - 掘金

github地址

GitHub - THUIR/T2Ranking: T2Ranking: A large-scale Chinese benchmark for passage ranking.

二、测试数据规模与质量

200w条段落数据

30w条查询数据

数据经过处理，去除了一些干扰数据。并且由全职标注人员，人工标注过，标注了query个相关段落的相关性

三、都有哪些测试数据集

为了支持段落排名研究，我们构建了各种基准数据集。其中一些任务同时支持第一阶段检索（FR）和第二阶段重新排序（SR）任务，而另一些任务则专注于SR任务。我们在表1中总结了一些常见数据集的数据统计数据。常用的数据集侧重于英语场景。例如，Trec复杂答案检索（Car）[6]，TriviaQA [11]和MS-MARCO [16]。其中，MS-MARCO是一个拥有880万条通道的大规模数据集。这些查询是基于问题的，并且人工生成的答案由注释器提供。随后，通过确定段落中是否存在与查询相关的答案，可以获得二元相关性得分；即，包含答案的段落为相关的(1)，而不相关的段落为不相关的(0)。随着MS-MARCO的成功，在非英语社区中也构建了类似的数据集，比如华人。例如，mMarco-中文[3]是借助机器翻译的中文版本。数据检索[20]采用了类似的范式，从人类生成的答案中为查询-通道对生成二元相关性判断。Multi-CPR [15]是一个用于通道检索的多领域中文数据集，具有三个不同的领域和一定数量的人工注释的查询-通道对。此外，搜狗-SRR[29]搜狗-QCL[30]和TianGong-PDR [27]是基于中国热门搜索引擎搜狗2的用户日志提供的。

四、数据集发布团队介绍

该数据集由清华大学计算机系信息检索课题组（THUIR）和腾讯公司 QQ 浏览器搜索技术中心团队共同发布，得到了清华大学天工智能计算研究院的支持。THUIR 课题组聚焦搜索与推荐方法研究，在用户行为建模和可解释学习方法等方面取得了典型成果，课题组成果获得了包括 WSDM2022 最佳论文奖、SIGIR2020 最佳论文提名奖和 CIKM2018 最佳论文奖在内的多项学术奖励，并获得了 2020 年中文信息学会 “钱伟长中文信息处理科学技术奖” 一等奖。QQ 浏览器搜索技术中心团队是腾讯 PCG 信息平台与服务线负责搜索技术研发的团队，依托腾讯内容生态，通过用户研究驱动产品创新，为用户提供图文、资讯、小说、长短视频、服务等多方位的信息需求满足。

五、国内下载

会发现从huggingface上，因为网络原因下载不到。

THUIR/T2Ranking_数据集-阿里云天池