MS MARCO هو مجموعة بيانات أصدرتها مايكروسوفت في عام 2016، تركز على التعلم العميق في مجال البحث، والورقة البحثية المرتبطة بها هي «MS MARCO: A Human Generated MAchine Reading COmprehension Dataset»، وتهدف إلى دفع الأبحاث في مهام مثل الإجابة على الأسئلة وتوليد اللغة الطبيعية واسترجاع المعلومات من خلال استعلامات المستخدم الحقيقية والإجابات المولدة يدويًا.

تحتوي مجموعة البيانات هذه على نسختين رئيسيتين: v1.1 و v2.1، حيث تتضمن v1.1 حوالي 100 ألف مثال، بينما تم توسيع v2.1 لتشمل أكثر من مليون استعلام، بحجم بيانات ضخم يغطي مجموعات التدريب والتحقق والاختبار، وتُستخدم على نطاق واسع في سيناريوهات مثل توليد الإجابات الصوتية للأجهزة الذكية وترتيب نتائج البحث على الويب.

مكونات مجموعة البيانات

• answers: قائمة بالإجابات
• passages: بنية قاموس تحتوي على passage_text و is_selected و url
• query: نص استعلام المستخدم
• query_id: معرف الاستعلام
• query_type: نوع الاستعلام
• wellFormedAnswers: قائمة بالإجابات جيدة التنسيق

Citation

@article{DBLP:journals/corr/NguyenRSGTMD16,
  author    = {Tri Nguyen and
               Mir Rosenberg and
               Xia Song and
               Jianfeng Gao and
               Saurabh Tiwary and
               Rangan Majumder and
               Li Deng},
  title     = {{MS} {MARCO:} {A} Human Generated MAchine Reading COmprehension Dataset},
  journal   = {CoRR},
  volume    = {abs/1611.09268},
  year      = {2016},
  url       = {http://arxiv.org/abs/1611.09268},
  archivePrefix = {arXiv},
  eprint    = {1611.09268},
  timestamp = {Mon, 13 Aug 2018 16:49:03 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/NguyenRSGTMD16.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}