基于Wikipedia的检索增强生成

This dataset is utilized for retrieval-augmented generation (RAG). The [WikiExtractor tool](https://github.com/attardi/wikiextractor) is used to extract and clean text from [Wikipedia dumps](https://dumps.wikimedia.org/enwiki/) to construct a knowledge base. ## Citations ```bibtex @article{chen2025geofactory, title={GeoFactory: An LLM Performance Enhancement Framework for Geoscience Factual and Inferential Tasks}, author={Chen, Zhou and Wang, Xiao and Zhang, Xinan and Lin, Ming and Liao, Yuanhong and Li, Juanzi and Bai, Yuqi}, journal={Big Earth Data}, year={2025}, month={May}, pages={1--33}, doi={10.1080/20964471.2025.2506291} } ```本数据集用于检索增强生成（Retrieval-Augmented Generation，RAG）。研究人员借助[WikiExtractor工具](https://github.com/attardi/wikiextractor)从[英文维基百科转储文件](https://dumps.wikimedia.org/enwiki/)中提取并清洗文本，以此构建知识库。 ## 参考文献 bibtex @article{chen2025geofactory, title={《GeoFactory：面向地球科学事实与推理任务的大语言模型（Large Language Model，LLM）性能提升框架》}, author={陈舟、王潇、张西南、林铭、廖远鸿、李娟子、白宇琦}, journal={Big Earth Data}, year={2025}, month={May}, pages={1--33}, doi={10.1080/20964471.2025.2506291} }

搜集汇总

背景与挑战

背景概述

该数据集专为检索增强生成（RAG）设计，通过WikiExtractor工具从Wikipedia转储中提取和清理文本，以构建知识库。它支持基于Wikipedia内容的知识增强应用。