印度理工学院孟买分校 发布 INDIC-MARCO 数据集, 应用在 多语言信息检索、印度语言 领域

印度理工学院孟买分校 本次发布的数据集 INDIC-MARCO, INDIC-MARCO是由印度理工学院孟买分校计算机科学与工程系创建的多语言数据集，旨在支持11种印度语言的神经信息检索研究。该数据集包含约880万篇文档、100万条查询和3900万训练三元组，覆盖了从阿萨姆语到泰卢固语的广泛语言。数据集的创建过程涉及使用机器翻译技术将原始的MSMARCO数据集翻译成目标语言，确保了数据的高质量和多样性。INDIC-MARCO的应用领域主要集中在提升非英语语言的信息检索技术，特别是在资源较少的印度语言中，为相关研究和应用提供了重要的数据支持。

查看INDIC-MARCO

README 内容： 

关于 印度理工学院孟买分校 , 印度理工学院孟买分校（IIT Bombay）是印度最顶尖的工程技术与科学研究机构之一，位于孟买市。该校以其卓越的教育和研究成果在国际上享有盛誉，特别是在计算机科学、工程学和应用科学领域。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。