MS MARCO Web Search: крупномасштабный информационно насыщенный веб-набор данных с миллионами реальных меток кликов.

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

May 13, 2024

Авторы: 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

Аннотация

Недавние прорывы в области крупных моделей подчеркнули критическое значение масштаба данных, меток и моделей. В данной статье мы представляем MS MARCO Web Search - первый крупномасштабный информационно насыщенный веб-набор данных, содержащий миллионы реальных меток запрос-документ, по которым пользователи кликали. Этот набор данных тесно имитирует распределение реальных веб-документов и запросов, предоставляет обширную информацию для различных видов последующих задач и стимулирует исследования в различных областях, таких как общие модели нейроиндексации конечного до конца, общие модели встраивания и информационные системы следующего поколения с крупными языковыми моделями. MS MARCO Web Search предлагает бенчмарк поиска с тремя задачами вызова веб-поиска, требующими инноваций как в области машинного обучения, так и в области исследования систем информационного поиска. Как первый набор данных, отвечающий требованиям крупных, реальных и информационно насыщенных данных, MS MARCO Web Search прокладывает путь для будущих достижений в области исследований в области искусственного интеллекта и систем. Набор данных MS MARCO Web Search доступен по ссылке: 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.