2026-07-08 08:57:50 +00:00

5.9 KiB

Raw Permalink Blame History

自定义文本检索评测数据集

概述

当你需要在特定领域（如法律、医疗、金融）或私有数据上评估 Embedding 模型的检索能力时，可以构建自定义数据集进行评测。EvalScope 基于 MTEB 框架，支持通过简单的 JSONL 文件定义语料库、查询和相关性标注，快速完成端到端的检索评测。

第一步：准备数据

目录结构

创建一个目录，包含以下三个 JSONL 文件：

my_retrieval_data/
├── corpus.jsonl
├── queries.jsonl
└── qrels.jsonl

corpus.jsonl

语料库文件，每行一个 JSON 对象，表示一篇待检索文档。

字段	类型	必填	说明
`_id`	str	是	文档唯一标识
`text`	str	是	文档正文内容
`title`	str	否	文档标题，用于辅助检索

{"_id": "doc1", "text": "气候变化正在导致更极端的天气模式。", "title": "气候变化"}
{"_id": "doc2", "text": "今天股市大幅上涨，科技股领涨。"}
{"_id": "doc3", "text": "人工智能正在通过自动化任务和提供见解来改变各种行业。"}

queries.jsonl

查询文件，每行一个 JSON 对象，表示一条检索查询。

字段	类型	必填	说明
`_id`	str	是	查询唯一标识
`text`	str	是	查询文本

{"_id": "query1", "text": "气候变化的影响是什么？"}
{"_id": "query2", "text": "今天股市上涨的原因是什么？"}
{"_id": "query3", "text": "人工智能如何改变行业？"}

qrels.jsonl

相关性标注文件，每行一个 JSON 对象，定义查询与文档之间的相关性。

字段	类型	必填	说明
`query-id`	str	是	对应 queries.jsonl 中的 `_id`
`corpus-id`	str	是	对应 corpus.jsonl 中的 `_id`
`score`	int/float	是	相关性分数

{"query-id": "query1", "corpus-id": "doc1", "score": 1}
{"query-id": "query2", "corpus-id": "doc2", "score": 1}
{"query-id": "query3", "corpus-id": "doc3", "score": 1}

score 含义说明：

二值标注（0/1）：1 表示相关，0 表示不相关。适用于大多数检索场景。
连续分数：使用多级相关性（如 0、1、2、3），数值越大表示越相关。适用于需要区分"部分相关"和"高度相关"的精细评测。

数据质量建议

- 推荐语料库至少包含 **100** 篇文档，查询至少 **50** 条，以获得统计上有意义的评测结果。
- 确保每个查询至少有 **1** 个相关文档标注。
- 如果使用二值标注，建议同时标注负样本（score=0），以更准确地评估模型区分能力。
- 语料库中应包含足够多与查询无关的"干扰"文档，模拟真实检索场景。

第二步：配置并运行评测

完整配置示例

from evalscope.run import run_task

task_cfg = {
    "work_dir": "outputs",
    "eval_backend": "RAGEval",
    "eval_config": {
        "tool": "MTEB",
        "models": [
            {
                "model_name_or_path": "AI-ModelScope/m3e-base",
                "pooling_mode": None,
                "max_seq_length": 512,
                "prompt": "",
                "model_kwargs": {"torch_dtype": "auto"},
                "encode_kwargs": {
                    "batch_size": 128,
                },
            }
        ],
        "eval": {
            "custom_tasks": [
                {
                    "name": "CustomRetrieval",
                    "data_path": "my_retrieval_data",
                }
            ],
            "overwrite_results": True,
            "limits": 500,
        },
    },
}

run_task(task_cfg=task_cfg)

运行命令

将上述代码保存为 run_eval.py，然后执行：

python run_eval.py

结果解读

评测完成后，结果保存在 outputs/ 目录下，主要指标包括：

NDCG@k：归一化折损累计增益，衡量排序质量（k=1,3,5,10）
MAP@k：平均精度均值
Recall@k：召回率
Precision@k：精确率

分数范围为 0~1，越高表示检索效果越好。

参数参考

custom_tasks 列表中每个任务对应一个 CustomTaskConfig，可配置字段如下：

参数	类型	默认值	说明
`name`	str	`"CustomRetrieval"`	任务名称，用于标识评测结果
`data_path`	str	（必填）	数据集目录路径，需包含 `corpus.jsonl`、`queries.jsonl`、`qrels.jsonl`
`eval_splits`	List[str]	`["test"]`	评测分割列表

其他评测参数（如 `models`、`limits`、`overwrite_results` 等）与默认配置一致，详见 [MTEB 评测参数说明](../../user_guides/backend/rageval_backend/mteb.md#参数说明)。

常见问题

字段格式错误

数据文件必须是 JSONL 格式（每行一个独立的 JSON 对象），不是标准 JSON 数组格式。
_id 字段值必须是字符串类型，即使是数字 ID 也应写为 "123" 而非 123。
qrels.jsonl 中的字段名带连字符：query-id 和 corpus-id，不是下划线。

数据量太少的影响

语料库文档过少（如少于 10 篇）时，Recall@10 等指标可能始终为 1.0，无法有效区分模型好坏。
查询过少会导致评测结果方差较大，不具备统计显著性。
建议根据实际业务场景，准备至少百条量级的数据。

从其他格式转换

如果已有 TSV 或 CSV 格式的数据，可以使用以下方式转换为 JSONL：

import csv
import json

# TSV/CSV 转 corpus.jsonl 示例
with open("corpus.tsv", "r") as fin, open("corpus.jsonl", "w") as fout:
    reader = csv.DictReader(fin, delimiter="\t")  # CSV 使用 delimiter=","
    for row in reader:
        obj = {"_id": row["id"], "text": row["text"]}
        fout.write(json.dumps(obj, ensure_ascii=False) + "\n")

5.9 KiB Raw Permalink Blame History Unescape Escape