数据集概述
该数据集包含五千五百个英文句子对，每个句子对依据语义相关程度被赋予零到一的评分，零代表最不相关，一代表最相关。数据通过最佳最差标度法（Best-Worst Scaling）收集，旨在支持句子语义相关性、句子表示方法及相关应用的研究。
文件详解
- 核心数据文件:
- sem_text_rel_ranked.csv: CSV格式，包含句子对及相关评分，字段包括SourceID（来源数据集标识）、SubsetID（抽样策略标识）、PairID（句子对唯一标识）、Text（以换行分隔的句子对）、Score（语义相关度评分）。
- 原始标注文件（压缩包）:
- mturk_data.zip: ZIP压缩包，包含亚马逊土耳其机器人（MTurk）的原始标注数据，具体文件需解压后查看。
- 数据说明文档:
- STR2022-datastatement.pdf: PDF格式，为数据集的数据表说明文档。
- 其他文档:
- License.md: MD格式，许可证文件。
- README.md: MD格式，仓库说明文档，包含引用信息及数据加载方法。
适用场景
- 自然语言处理研究: 用于训练和评估句子语义相关性计算模型。
- 句子表示方法研究: 支持句子嵌入模型的性能测试与优化。
- 语义相关度度量研究: 可用于比较不同语义相关度计算方法的效果。
- 文本应用开发: 为问答系统、剽窃检测、文本生成等应用提供语义相关性判断的数据支持。
