QQ浏览器搜索引擎目前针对大搜场景构建的一个融合了相关性、权威性、内容质量、 时效性等维度标注的学习排序（LTR）数据集，广泛应用在搜索引擎业务场景中。
推荐检索关键词：Search Relevance Prediction, Query-Title Matching, Learning to Rank for Search (也可以使用其他的与该任务相关的关键词)
示例：
{"id": 0, "query": "小孩咳嗽感冒", "title": "小孩感冒过后久咳嗽该吃什么药育儿问答宝宝树", "label": "1"}
{"id": 1, "query": "前列腺癌根治术后能活多久", "title": "前列腺癌转移能活多久前列腺癌治疗方法盘点-家庭医生在线肿瘤频道", "label": "1"}
{"id": 3, "query": "如何将一个文件复制到另一个文件里", "title": "怎么把布局里的图纸复制到另外一个文件中去百度文库", "label": "0"}
{"id": 214, "query": "免费观看电影速度与激情1", "title": "《速度与激情1》全集-高清电影完整版-在线观看", "label": "2"}
{"id": 98, "query": "昆明公积金", "title": "昆明异地购房不能用住房公积金中新网", "label": "2"}
{"id": 217, "query": "多张图片怎么排版好看", "title": "怎么排版图片", "label": "2"}相关性的含义：0，相关程度差；1，有一定相关性；2，非常相关。数字越大相关性越高。
每一条数据有三个属性，从前往后分别是 句子1，句子2，句子相似度标签。其中label标签，1 表示sentence1和sentence2的含义类似，0表示两个句子的含义不同。
推荐检索关键词：Sentence Semantic Matching, Paraphrase Identification, Semantic Textual Similarity (也可以使用其他的与该任务相关的关键词)
示例：
{"sentence1": "双十一花呗提额在哪", "sentence2": "里可以提花呗额度", "label": "0"}每一条数据有三个属性，从前往后分别是 id,sentence,label。其中label标签，Positive 表示正向，Negative 表示负向。
推荐检索关键词：Aspect-Based Sentiment Analysis, Product Review Sentiment Classification, Fine-grained Emotion Analysis (也可以使用其他的与该任务相关的关键词)
示例：
{"id": 23, "sentence": "外包装上有点磨损，试听后感觉不错", "label": "Positive"}中文科学文献学科分类数据集，包括67个类别的文献类别，这些类别来自于分别归属于13个大类，范围从社会科学到自然科学，文本为文献的中文摘要。
每一条数据有三个属性，从前往后分别是 id,sentence,label。其中label标签，Positive 表示正向，Negative 表示负向。
推荐检索关键词：Scientific Document Classification, Academic Paper Subject Classification, Discipline-specific Text Classification (也可以使用其他的与该任务相关的关键词)
示例：
{"content": "通过几年的观察和实践，初步掌握了盆栽菊花的栽培技术及方法，并进行了总结，以满足人们对花卉消费的需求，提高观赏植物的商品价值，为企业化生产的盆菊提供技术指导。","label": "园艺学", "id": 1770}
{"content": "GPS卫星导航定位精度的高低很大程度上取决于站星距离(即伪距)的测量误差.载波相位平滑伪距在保证环路参数满足动态应力误差要求的基础上。。。本文详细论述了载波相位平滑伪距的原理和工程实现方法,并进行了仿真验证.", "label": "航空宇航科学与技术", "id": 979}该数据集来自今日头条的新闻版块，共提取了15个类别的新闻，包括旅游、教育、金融、军事等。
每一条数据有三个属性，从前往后分别是 分类ID，分类名称，新闻字符串（仅含标题）。
推荐检索关键词：Short Text Classification, News Topic Classification, Headline-based Topic Labeling (也可以使用其他的与该任务相关的关键词)
示例：
{"label": "102", "label_des": "news_entertainment", "sentence": "江疏影甜甜圈自拍，迷之角度竟这么好看，美吸引一切事物"}该数据集关于app应用描述的长文本标注数据，包含和日常生活相关的各类应用主题，共119个类别："打车":0,"地图导航":1,"免费WIFI":2,"租车":3,….,"女性":115,"经营":116,"收款":117,"其他":118(分别用0-118表示)。
每一条数据有三个属性，从前往后分别是 类别ID，类别名称，文本内容。
推荐检索关键词：Long-document Classification, App Description Categorization, Hierarchical Text Classification (也可以使用其他的与该任务相关的关键词)
示例：
{"label": "110", "label_des": "社区超市", "sentence": "朴朴快送超市创立于2016年，专注于打造移动端30分钟即时配送一站式购物平台，商品品类包含水果、蔬菜、肉禽蛋奶、海鲜水产、粮油调味、酒水饮料、休闲食品、日用品、外卖等。朴朴公司希望能以全新的商业模式，更高效快捷的仓储配送模式，致力于成为更快、更好、更多、更省的在线零售平台，带给消费者更好的消费体验，同时推动中国食品安全进程，成为一家让社会尊敬的互联网公司。,朴朴一下，又好又快,1.配送时间提示更加清晰友好2.保障用户隐私的一些优化3.其他提高使用体验的调整4.修复了一些已知bug"}OCNLI，即原生中文自然语言推理数据集，是第一个非翻译的、使用原生汉语的大型中文自然语言推理数据集。
每条数据中有用的三个属性为：sentence1（句子1），sentence2（句子2），label表示句子1与句子2之间的关系，有三种取值contradiction（矛盾）、entailment（蕴含）、neutral（无关），其他字段值可以忽略。
推荐检索关键词：Natural Language Inference, Textual Entailment, Sentence Pair Classification (也可以使用其他的与该任务相关的关键词)
示例：
{
"level":"medium",
"sentence1":"身上裹一件工厂发的棉大衣,手插在袖筒里",
"sentence2":"身上至少一件衣服",
"label":"entailment","label0":"entailment","label1":"entailment","label2":"entailment","label3":"entailment","label4":"entailment",
"genre":"lit","prem_id":"lit_635","id":0
}对话短文本语义匹配数据集，源于小布助手。它是OPPO为品牌手机和IoT设备自研的语音助手，为用户提供便捷对话式服务。 意图识别是对话系统中的一个核心任务，而对话短文本语义匹配是意图识别的主流算法方案之一。要求根据短文本query-pair，预测它们是否属于同一语义，1表示语义相同，0表示语义不同。
推荐检索关键词：Dialogue Intent Matching, Short Text Semantic Matching, Spoken Language Understanding (也可以使用其他的与该任务相关的关键词)
示例：
{"id": 5, "sentence1": "女孩子到底是不是你", "sentence2": "你不是女孩子吗", "label": "1"}
{"id": 18, "sentence1": "小影,你说话慢了", "sentence2": "那你说慢一点", "label": "0"}以成语完形填空形式实现，文中多处成语被遮盖，#idiom#表示应该填充成语的位置，候选项中包含了近义的成语。
推荐检索关键词：Cloze-style Machine Reading Comprehension, Idiom Cloze Test, Commonsense Reasoning for MRC (也可以使用其他的与该任务相关的关键词)
示例：
{"id": 1421, "candidates": ["巧言令色", "措手不及", "风流人物", "八仙过海", "平铺直叙", "草木皆兵", "言行一致"],
"content": "当广州憾负北控,郭士强黯然退场那一刻,CBA季后赛悬念仿佛一下就消失了,可万万没想到,就在时隔1天后,北控外援约瑟夫-杨因个人裁决案(拖欠上一家经纪公司的费用),
导致被禁赛,打了马布里一个#idiom#,加上郭士强带领广州神奇逆转天津,让...", "answer": 1}根据context的内容，回答questions。
每条数据包含一个context，以及多个根据context出的question，每个question包含三个正确的候选answer，你系统输出的answer只要与任意一个正确answer相同，即可视为系统输出了正确答案。
推荐检索关键词：Extractive Question Answering, Machine Reading Comprehension, Span-based Question Answering (也可以使用其他的与该任务相关的关键词)
示例：
{
"paragraphs": [
{
"id": "DEV_0",
"context": "《战国无双3》（）是由光荣和ω-force开发的战国无双系列的正统第三续作。本作以三大故事为主轴，分别是以武田信玄等人为主的《关东三国志》，织田信长等人为主的《战国三杰》，石田三成等人为主的《关原的年轻武者》，丰富游戏内的剧情。此部份专门介绍角色，欲知武器情报、奥义字或擅长攻击类型等，请至战国无双系列1.由于乡里大辅先生因故去世，不得不寻找其他声优接手。从猛将传 and Z开始。2.战国无双 编年史的原创男女主角亦有专属声优。此模式是任天堂游戏谜之村雨城改编的新增模式。本作中共有20张战场地图（不含村雨城），后来发行的猛将传再新增3张战场地图。但游戏内战役数量繁多，部分地图会有兼用的状况，战役虚实则是以光荣发行的2本「战国无双3 人物真书」内容为主，以下是相关介绍。（注：前方加☆者为猛将传新增关卡及地图。）合并本篇和猛将传的内容，村雨城模式剔除，战国史模式可直接游玩。主打两大模式「战史演武」&「争霸演武」。系列作品外传作品",
"qas": [
{
"question": "《战国无双3》是由哪两个公司合作开发的？",
"id": "DEV_0_QUERY_0",
"answers": [
{ "text": "光荣和ω-force", "answer_start": 11 },
{ "text": "光荣和ω-force", "answer_start": 11 },
{ "text": "光荣和ω-force", "answer_start": 11 }
]
},
{
"question": "男女主角亦有专属声优这一模式是由谁改编的？",
"id": "DEV_0_QUERY_1",
"answers": [
{ "text": "村雨城", "answer_start": 226 },
{ "text": "村雨城", "answer_start": 226 },
{ "text": "任天堂游戏谜之村雨城", "answer_start": 219 }
]
},
{
"question": "战国史模式主打哪两个模式？",
"id": "DEV_0_QUERY_2",
"answers": [
{ "text": "「战史演武」&「争霸演武」", "answer_start": 395 },
{ "text": "「战史演武」&「争霸演武」", "answer_start": 395 },
{ "text": "「战史演武」&「争霸演武」", "answer_start": 395 }
]
}
]
}
],
"id": "DEV_0",
"title": "战国无双3"
}中文多选阅读理解数据集，包含对话和长文等混合类型数据集。
每条数据包含一组对话或者一段长文本，一个或者多个question，每个question对应的answer，正确的answer可能是choice中的一个或者多个选项。
推荐检索关键词：Multiple-choice Question Answering, Conversational Question Answering, Dialogue-based Reading Comprehension (也可以使用其他的与该任务相关的关键词)
示例：
[
[
"男：晓奇让我到会议室去开会，到了那儿，结果一个人也没有。",
"女：你忘了，今天可是愚人节呀。"
],
[
{
"question": "我们从对话里可以知道什么?",
"choice": [
"会议已结束了",
"开会时间变了",
"开会地点改了",
"晓奇在开玩笑"
],
"answer": "晓奇在开玩笑"
}
],
"49-119"
]中文科技文献数据集(CSL)取自中文论文摘要及其关键词，论文选自部分中文社会科学和自然科学核心期刊，任务目标是根据摘要判断关键词是否全部为真实关键词（真实为1，伪造为0）。
每一条数据有四个属性，从前往后分别是 数据ID，论文摘要，关键词，真假标签。
推荐检索关键词：Keyphrase Identification, Scientific Keyword Verification, Document-Keyword Matching (也可以使用其他的与该任务相关的关键词)
示例：
{"id": 1, "abst": "为解决传统均匀FFT波束形成算法引起的3维声呐成像分辨率降低的问题,该文提出分区域FFT波束形成算法.远场条件下,
以保证成像分辨率为约束条件,以划分数量最少为目标,采用遗传算法作为优化手段将成像区域划分为多个区域.在每个区域内选取一个波束方向,
获得每一个接收阵元收到该方向回波时的解调输出,以此为原始数据在该区域内进行传统均匀FFT波束形成.对FFT计算过程进行优化,降低新算法的计算量,
使其满足3维成像声呐实时性的要求.仿真与实验结果表明,采用分区域FFT波束形成算法的成像分辨率较传统均匀FFT波束形成算法有显著提高,且满足实时性要求.",
"keyword": ["水声学", "FFT", "波束形成", "3维成像声呐"], "label": "1"}Winograd Scheme Challenge（WSC）是一类代词消歧的任务，即判断句子中的代词指代的是哪个名词。题目以真假判别的方式出现，如：
句子：这时候放在[床]上[枕头]旁边的[手机]响了，我感到奇怪，因为欠费已被停机两个月，现在[它]突然响了。需要判断“它”指代的是“床”、“枕头”，还是“手机”？
从中国现当代作家文学作品中抽取，再经语言专家人工挑选、标注。
"true"表示代词确实是指代span1_text中的名词的，"false"代表不是。
推荐检索关键词：Coreference Resolution, Winograd Schema Challenge, Pronoun Disambiguation (也可以使用其他的与该任务相关的关键词)
示例：
{"target":
{"span2_index": 37,
"span1_index": 5,
"span1_text": "床",
"span2_text": "它"},
"idx": 261,
"label": "false",
"text": "这时候放在床上枕头旁边的手机响了，我感到奇怪，因为欠费已被停机两个月，现在它突然响了。"}数据分为10个标签类别，分别为: 地址（address），书名（book），公司（company），游戏（game），政府（government），电影（movie），姓名（name），组织机构（organization），职位（position），景点（scene）。标签定义如下：
数据分为两部分，text代表文本，label代表文本中出现的所有包含在10个类别中的实体。
推荐检索关键词：Fine-grained Named Entity Recognition, Nested Named Entity Recognition, Entity Typing (也可以使用其他的与该任务相关的关键词)
示例：
{
"text": "北京勘察设计协会副会长兼秘书长周荫如",
"label": {"organization": {"北京勘察设计协会": [[0, 7]]}, "name": {"周荫如": [[15, 17]]}, "position": {"副会长": [[8, 10]], "秘书长": [[12, 14]]}}
}其中，organization，name，position代表实体类别，"organization": {"北京勘察设计协会": [[0, 7]]}：表示原text中，"北京勘察设计协会" 是类别为 "组织机构（organization）" 的实体, 并且start_index为0，end_index为7 （注：下标从0开始计数）。"name": {"周荫如": [[15, 17]]}：表示原text中，"周荫如" 是类别为 "姓名（name）" 的实体, 并且start_index为15，end_index为17。"position": {"副会长": [[8, 10]], "秘书长": [[12, 14]]}：表示原text中，"副会长" 是类别为 "职位（position）" 的实体, 并且start_index为8，end_index为10，同时，"秘书长" 也是类别为 "职位（position）" 的实体，并且start_index为12，end_index为14。