本文介绍了一个大型的中文数据集 DuReader_retrieval，旨在解决其他数据集的不足之处并确保质量，其中包含来自商业搜索引擎的 90K 条查询和超过 8M 个唯一段落，并对开发和测试集中的结果进行手动注释以减少假阴性，并提供用于跨领域和跨语言检索的测试集。

Mar, 2022

本文提出改进内部表示粒度，引入基于上下文句子的模型和 in-passage 负采样策略，以缓解不合适的建模方式对于对话的影响，在三个基准数据集上进行实验并验证方法的有效性，特别是在冲突严重的数据集中的表现。

Oct, 2021

近年来，预训练语言模型（PLMs）取得了巨大进展，在密集文段检索方法上取得了令人满意的性能，旨在通过给定的问题从大规模语料库中检索相关文段。然而，现有数据集大多采用常识事实查询对模型进行基准测试，而金融和经济等专业领域由于缺乏大规模高质量的专家注释数据集而未被深入研究。本研究提出了一项新任务，即政策检索，通过引入中文股票政策检索数据集（CSPRD），该数据集由经验丰富的专家使用我们收集的中国政策语料库中的相关文章对 700 多个招股说明书文段进行了标注。对词汇、嵌入和经过微调的双编码模型进行的实验表明了我们提出的 CSPRD 的有效性，同时也显示出了进一步改进的潜力。我们最佳的基准模型在开发集上达到了 56.1％的 MRR@10，28.5％的 NDCG@10，37.5％的 Recall@10 和 80.6％的 Precision@10。

Sep, 2023

通过评估现有的大模型在专门领域中的限制性，本文引入了 “MiChao-HuaFen 1.0” 预训练语料库数据集，旨在为新闻和政府领域提供高质量和可靠来源，支持中文行业特定大模型的预训练，并促进相关领域深度学习研究和应用。

Sep, 2023

本篇论文提出了一个新问题：多分布信息检索，介绍了三个基于问题回答和实体匹配的数据集来评估此任务的方法，并提供了简单的一些方法以解决已知领域占用大部分预算的问题，结果表明使用这些方法可以提高 Recall@100。

Jun, 2023

本文介绍了一个针对中文机器阅读理解的 Span-Extraction 数据集及其挑战集，共包含近 20,000 个人类专家在维基百科段落中标注的真实问题，并发布了 CMRC 2018 的评估工作坊，旨在进一步推进中文机器阅读理解研究。

Oct, 2018

本文提出了一种新的中文阅读理解数据集 —— 包括选择题和用户问题阅读理解，并且是人工验证和隐藏测试集的大规模训练数据。同时，还举办了首届中文机器阅读理解评估（CMRC-2017），成功吸引了数十名参与者。

Sep, 2017

本研究提出了多语言关系抽取（RE）数据集 Multi-CrossRE，涵盖了英语以外的 26 种语言和六种文本领域，并运用基线模型验证其高质量的机器翻译结果。

May, 2023

该研究介绍了一个多领域中文谓词 - 论元数据集 MuCPAD，提出了帧无关注释方法，明确注释省略的核心论元并采用双注释来提高数据质量，最终给出了基于 MuCPAD 的跨领域语义角色标注的基准结果。

May, 2022

CLEAN 是一个综合的中国多段落问答数据集，它包含了广泛的开放领域主题，并需要大量实例来回答描述性问题。

Feb, 2024