CLIRMatrix

CLIRMatrix 是用于跨语言信息检索的大量双语和多语言数据集。它包括： BI-139：一种语言的查询双语数据集与另一种语言的相关文档匹配，用于 139x138=19,182 个语言对，MULTI-8，一个查询和文档的多语言数据集，以 8 种不同语言联合对齐。总共挖掘了 4900 万个唯一查询和 340 亿个（查询、文档、标签）三元组，使 CLIRMatrix 成为迄今为止最大和最全面的 CLIR 数据集。

CLIRMatrix is a large-scale bilingual and multilingual dataset for cross-language information retrieval (CLIR). It includes two components: BI-139, a bilingual dataset that matches queries in one language with relevant documents in another language, covering 19,182 language pairs (139 × 138); and MULTI-8, a multilingual dataset where queries and documents are jointly aligned across 8 distinct languages. In total, 49 million unique queries and 34 billion (query, document, label) triplets have been mined, making CLIRMatrix the largest and most comprehensive CLIR dataset to date.

搜集汇总

背景与挑战

背景概述

CLIRMatrix是一个用于跨语言信息检索的大规模数据集，包含BI-139双语数据集和MULTI-8多语言数据集，覆盖多达139种语言对和8种语言，总计4900万唯一查询和340亿三元组，是目前最大、最全面的CLIR资源。