MIRACL: 跨18种语言的大规模多语言信息检索数据集

RayRay
MIRACL多语言信息检索维基百科语料库基准测试跨语言搜索Github开源项目

MIRACL数据集简介

MIRACL(Multilingual Information Retrieval Across a Continuum of Languages)是一个大规模的多语言信息检索数据集,覆盖了18种不同的语言,这些语言的母语使用者总数超过30亿。MIRACL数据集的目标是为跨语言搜索和信息检索研究提供一个全面的基准测试平台。

MIRACL logo

MIRACL数据集由WSDM 2023 Cup挑战赛推出,旨在推动多语言信息检索领域的研究进展。该数据集的构建基于维基百科语料库,包含了大量的文本段落、查询和相关性判断,为研究人员提供了丰富的资源来开发和评估多语言信息检索系统。

MIRACL数据集的构建

MIRACL数据集的构建过程主要包括以下几个步骤:

  1. 语料库准备:从维基百科转储中提取纯文本内容,去除图像、表格等非文本元素。

  2. 文章分段:使用WikiExtractor工具将每篇文章分割成多个段落,基于自然语篇单位(如维基标记中的\n\n)进行分割。每个段落作为一个"文档"或检索单元。

  3. 查询生成:为每种语言生成一系列查询,这些查询涵盖了不同的主题和难度级别。

  4. 相关性判断:对查询和文档段落之间的相关性进行人工标注,生成训练集和开发集的相关性判断。

  5. 数据格式化:将语料库、查询和相关性判断数据转换为标准格式,便于研究人员使用。

MIRACL数据集的特点

MIRACL数据集具有以下几个主要特点:

  1. 多语言覆盖:包含16种"已知语言"和2种"惊喜语言",涵盖了不同语系和地理区域的语言。

  2. 大规模语料库:总共包含超过9000万个文本段落,来自1500多万篇维基百科文章。

  3. 丰富的查询和判断:提供了超过53000个查询和46万个相关性判断,为模型训练和评估提供了充足的数据。

  4. 标准化格式:语料库采用JSON Lines格式,查询和相关性判断采用TSV和TREC qrels格式,便于处理和使用。

  5. 开放获取:所有数据都可以通过HuggingFace Dataset免费获取,促进了研究的开放性和可重复性。

MIRACL数据集的语言分布

MIRACL数据集涵盖了以下16种已知语言:

语言段落数量文章数量
英语 (en)32,893,2215,758,285
法语 (fr)14,636,9532,325,608
西班牙语 (es)10,373,9531,669,181
俄语 (ru)9,543,9181,476,045
日语 (ja)6,953,6141,133,444
中文 (zh)4,934,3681,246,389
阿拉伯语 (ar)2,061,414656,982
波斯语 (fa)2,207,172857,827
芬兰语 (fi)1,883,509447,815
韩语 (ko)1,486,752437,373
印度尼西亚语 (id)1,446,315446,330
泰语 (th)542,166128,179
泰卢固语 (te)518,07966,353
印地语 (hi)506,264148,107
孟加拉语 (bn)297,26563,762
斯瓦希里语 (sw)131,92447,793

这些语言的选择体现了MIRACL数据集在语言多样性方面的考虑,包括了不同语系、不同书写系统和不同资源丰富程度的语言。

MIRACL数据集的应用价值

MIRACL数据集在多语言信息检索领域具有重要的应用价值:

  1. 跨语言搜索研究:为开发能够处理多种语言查询和文档的搜索系统提供了基础数据。

  2. 多语言模型评估:可用于评估预训练语言模型在不同语言上的检索性能。

  3. 低资源语言研究:包含了一些资源相对匮乏的语言,有助于改进这些语言的信息检索技术。

  4. 跨语言迁移学习:研究如何将一种语言的检索模型迁移到其他语言。

  5. 多语言信息抽取:可用于开发和评估多语言命名实体识别、关系抽取等任务。

MIRACL基线系统

MIRACL项目提供了几种基线系统,以供研究人员参考和比较:

  1. BM25:经典的基于词频-逆文档频率的检索模型。

  2. mDPR(multilingual Dense Passage Retrieval):多语言密集段落检索模型。

  3. BM25和mDPR的混合模型

这些基线系统的实现和结果可以通过Pyserini工具包进行复现。研究人员可以基于这些基线,开发更先进的多语言信息检索模型。

MIRACL数据集的获取和使用

研究人员可以通过以下步骤获取和使用MIRACL数据集:

  1. 访问HuggingFace Dataset平台,下载MIRACL语料库、查询和相关性判断数据。

  2. 使用提供的脚本和工具处理数据,如WikiExtractor进行文本分段。

  3. 根据需要选择特定语言或多个语言的数据进行实验。

  4. 使用标准的信息检索评估指标(如MAP、NDCG等)评估模型性能。

  5. 参考提供的基线系统,开发新的多语言检索模型或改进现有方法。

MIRACL的未来展望

MIRACL数据集的发布为多语言信息检索领域带来了新的机遇和挑战。未来,MIRACL项目可能会在以下方面继续发展:

  1. 扩展语言覆盖:增加更多的语言,特别是低资源语言。

  2. 更新数据:定期更新维基百科语料,以保持数据的时效性。

  3. 增加任务类型:除了检索任务,可能会增加问答、摘要等相关任务。

  4. 组织更多比赛:通过举办更多的评测活动,推动多语言信息检索技术的进步。

  5. 改进评估方法:开发更适合多语言环境的评估指标和方法。

结论

MIRACL数据集为多语言信息检索研究提供了一个全面、大规模的基准测试平台。它的发布将有力推动跨语言搜索技术的发展,为构建更加智能、包容的全球信息检索系统铺平道路。研究人员可以利用MIRACL数据集开发新的算法、评估现有模型,并探索多语言信息检索的前沿问题。随着MIRACL项目的不断发展和完善,我们有理由期待在不久的将来,多语言信息检索技术将取得更大的突破,为全球用户提供更优质的信息获取体验。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多