---
language:
- ja
license: cc0-1.0
dataset_info:
- config_name: collection
  features:
  - name: text
    dtype: string
  splits:
  - name: train
    num_bytes: 5404867793
    num_examples: 11852254
  download_size: 3269616864
  dataset_size: 5404867793
- config_name: dataset
  features:
  - name: anc
    dtype: string
  - name: pos_ids
    sequence: int64
  - name: neg_ids
    sequence: 'null'
  splits:
  - name: train
    num_bytes: 1725169456
    num_examples: 5826275
  download_size: 854583745
  dataset_size: 1725169456
configs:
- config_name: collection
  data_files:
  - split: train
    path: collection/train-*
- config_name: dataset
  data_files:
  - split: train
    path: dataset/train-*
---


[mqa](https://huggingface.co/datasets/clips/mqa/viewer/ja-all-question)データセットのquery--passageのペアについて重複を削除したデータセットです。

元データ中のノイジーなテキストのクリーニングやNFKC正規化などの前処理を行ってあります。

`dataset` subsetの`pos_ids`および`neg_ids`中のidは、`collection`subsetのインデックス番号に対応しています。
したがって、`collection[pos_id]`のようにアクセスしてもらえれば所望のデータを得ることができます。

ライセンスは元データセットに従います。