Dataset Summary

This repository provides the mMARCO dataset. This dataset was created by translating the MS MARCO Passage Ranking dataset into 8 different languages.

Dataset Structure

You can load mMARCO dataset by choosing a specific language. For each language, there are four splits. The first split contains all the passages from the dataset. The last two splits are the training and development queries. An example of 'collection' from portuguese looks as follows.

{
    "doc_id": "0",
    "document": "A presença da comunicação em meio às mentes científicas era igualmente importante para o sucesso do Projeto Manhattan como o intelecto científico era. A única nuvem pendurada sobre a impressionante conquista dos pesquisadores e engenheiros atômicos é o que seu sucesso realmente significava; centenas de milhares de vidas inocentes destruídas."
}

Load Dataset

An example to load the dataset:

dataset = load_dataset('unicamp-dl/mmarco', language='portuguese')

Citation Information

@misc{bonifacio2021mmarco,
      title={mMARCO: A Multilingual Version of the MS MARCO Passage Ranking Dataset}, 
      author={Luiz Henrique Bonifacio and Israel Campiotti and Vitor Jeronymo and Roberto Lotufo and Rodrigo Nogueira},
      year={2021},
      eprint={2108.13897},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}