MIRACL: 跨18种语言的大规模多语言信息检索数据集

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:

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。
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。
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。
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。
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:

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。
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。
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。
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。
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)	32,893,221	5,758,285
法语 (fr)	14,636,953	2,325,608
西班牙语 (es)	10,373,953	1,669,181
俄语 (ru)	9,543,918	1,476,045
日语 (ja)	6,953,614	1,133,444
中文 (zh)	4,934,368	1,246,389
阿拉伯语 (ar)	2,061,414	656,982
波斯语 (fa)	2,207,172	857,827
芬兰语 (fi)	1,883,509	447,815
韩语 (ko)	1,486,752	437,373
印度尼西亚语 (id)	1,446,315	446,330
泰语 (th)	542,166	128,179
泰卢固语 (te)	518,079	66,353
印地语 (hi)	506,264	148,107
孟加拉语 (bn)	297,265	63,762
斯瓦希里语 (sw)	131,924	47,793

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:

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。
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。
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。
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。
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:

BM25:经典的基于词频-逆文档频率的检索模型。
mDPR(multilingual Dense Passage Retrieval):多语言密集段落检索模型。
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:

访问HuggingFace Dataset平台,下载MIRACL语料库、查询和相关性判断数据。
使用提供的脚本和工具处理数据,如WikiExtractor进行文本分段。
根据需要选择特定语言或多个语言的数据进行实验。
使用标准的信息检索评估指标(如MAP、NDCG等)评估模型性能。
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:

扩展语言覆盖:增加更多的语言,特别是低资源语言。
更新数据:定期更新维基百科语料,以保持数据的时效性。
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。
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。
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。