MS MARCO Web Search: een grootschalige, informatieve webdataset met miljoenen echte kliklabels

MS MARCO Web Search: a Large-scale Information-rich Web Dataset with Millions of Real Click Labels

May 13, 2024

Auteurs: Qi Chen, Xiubo Geng, Corby Rosset, Carolyn Buractaon, Jingwen Lu, Tao Shen, Kun Zhou, Chenyan Xiong, Yeyun Gong, Paul Bennett, Nick Craswell, Xing Xie, Fan Yang, Bryan Tower, Nikhil Rao, Anlei Dong, Wenqi Jiang, Zheng Liu, Mingqin Li, Chuanjie Liu, Zengzhong Li, Rangan Majumder, Jennifer Neville, Andy Oakley, Knut Magne Risvik, Harsha Vardhan Simhadri, Manik Varma, Yujing Wang, Linjun Yang, Mao Yang, Ce Zhang

cs.AI

Samenvatting

Recente doorbraken in grote modellen hebben het cruciale belang van dataschaal, labels en modaliteiten benadrukt. In dit artikel introduceren we MS MARCO Web Search, de eerste grootschalige, informatieve webdataset, met miljoenen echte geklikte query-documentlabels. Deze dataset bootst de verdeling van webdocumenten en queries uit de echte wereld nauwkeurig na, biedt rijke informatie voor verschillende soorten downstream taken en stimuleert onderzoek op diverse gebieden, zoals generieke end-to-end neurale indexeringsmodellen, generieke embeddingmodellen en de volgende generatie informatiesystemen met grote taalmmodellen. MS MARCO Web Search biedt een retrievalbenchmark met drie webretrieval-uitdagingstaken die innovaties vereisen op het gebied van zowel machine learning als informatie-retrievalsystemen. Als de eerste dataset die voldoet aan de eisen van grote, echte en rijke data, effent MS MARCO Web Search de weg voor toekomstige vooruitgang in AI- en systeemonderzoek. De MS MARCO Web Search-dataset is beschikbaar op: https://github.com/microsoft/MS-MARCO-Web-Search.

English

Recent breakthroughs in large models have highlighted the critical significance of data scale, labels and modals. In this paper, we introduce MS MARCO Web Search, the first large-scale information-rich web dataset, featuring millions of real clicked query-document labels. This dataset closely mimics real-world web document and query distribution, provides rich information for various kinds of downstream tasks and encourages research in various areas, such as generic end-to-end neural indexer models, generic embedding models, and next generation information access system with large language models. MS MARCO Web Search offers a retrieval benchmark with three web retrieval challenge tasks that demand innovations in both machine learning and information retrieval system research domains. As the first dataset that meets large, real and rich data requirements, MS MARCO Web Search paves the way for future advancements in AI and system research. MS MARCO Web Search dataset is available at: https://github.com/microsoft/MS-MARCO-Web-Search.