Machine learning （查询、文档、相关性）用于构建信息检索系统的免费数据集

我很想找到像“英语相关性判断文件列表”这样的数据集：

此数据集包含带标签的查询和文档对。 然而，它依赖于一个称为“数据-英语文档”的非自由语料库：

你知道有类似的免费数据集吗？

---

旁注：该数据集将用于建立基于神经网络的信息检索系统的研究项目

您在问题中混淆了几个TREC集合。ClueWeb09和trec.nist.gov/data/docs_eng.html指向的文档集都是单独的文档集。也就是说，每个文档集都有自己独特的主题（查询）和相关性判断，它们不属于文档集分布的一部分

有几十种不同的TREC文本检索测试集合。可用的集合列在TREC数据页（TREC.nist.gov/Data.html）上，由创建它们的TREC轨道组织。它们是以这种方式组织的，因为集合的目标通常是支持该轨迹设计用于支持的检索问题

一般来说，查询和相关性判断可以直接从TREC站点下载。通常必须购买文档集：文档集受原始来源的版权保护，并且必须获得许可，或者收集/分发文档集会产生其他重大费用。如果您参加TREC，您可以免费获得一些旧的TREC文档集（尽管这在今年不再是一个选项）。少数文档集是免费的，尽管大多数文档集仍然需要签署数据使用协议。基因组学跟踪有一个特别的搜索任务，其文档集根据数据使用协议是免费的。看

格拉斯哥大学保留了一个指向其他可用测试集的页面，其中一些测试集是免费的。其中大部分是TREC之前（1992年之前）的收藏品，按照今天的标准，这些收藏品非常小。（“很小”就像你可能会发现论文评论员对仅在小样本上展示的结果高度怀疑。）

Ellen Voorhees， TREC项目经理，

---

NIST

非常感谢，这正是我想要的。我已经把收藏的名字改错了。对我来说，我只是在寻找一个在不同论文中被引用的初始语料库，以测试我的方法与其他方法的对比。之后，我将使用更大的集合。再次感谢：）。从事语义搜索和检索引擎（集合中文档的相似性搜索）的人员是否使用TREC数据集来验证相似性搜索算法的准确性（以及相关指标）？