Github
Huggingface
论文项目概述
baidu-ultr_uva-bert_ips-pointwise是一个基于Flax的MonoBERT交叉编码器模型，专门针对Baidu-ULTR数据集进行了训练。该项目旨在解决信息检索领域中的一个重要问题：如何在有偏见的点击数据上训练出无偏的排序模型。
技术特点
这个模型采用了点式(pointwise)训练方法，并结合了逆倾向得分(Inverse Propensity Scoring, IPS)技术。具体来说，它使用了带IPS校正的点式sigmoid交叉熵损失函数。这种方法的主要优势在于：
- 通过对点击数据进行加权，缓解了位置偏差的影响。
- 对于用户不太可能观察到的项目，给予更高的权重，从而提高模型的公平性。
数据集与评估
该模型在Baidu-ULTR数据集上进行了训练和评估。Baidu-ULTR是一个大规模的搜索数据集，包含了真实的用户查询和点击行为。评估指标包括：
- 对专家注释的6,985个查询进行排序性能评估，使用DCG、nDCG和MRR指标。
- 在约297k个用户点击查询的测试分区上进行点击预测性能评估，使用对数似然(log-likelihood)指标。
实际应用
这个模型可以应用于各种信息检索和推荐系统场景，特别是在处理有偏见的用户反馈数据时。例如：
- 搜索引擎结果排序
- 电子商务网站的产品推荐
- 内容平台的个性化推荐
使用方法
研究人员和开发者可以通过Hugging Face模型库轻松获取和使用这个模型。项目提供了详细的代码示例，展示了如何加载模型并对输入数据进行推理。
环境影响
值得注意的是，该项目在训练过程中也考虑到了环境因素。根据提供的信息，模型训练产生了约2090千克的二氧化碳当量排放。这些数据是使用ML CO2影响计算器估算的，基于4块NVIDIA H100-80GB GPU在法国格勒诺布尔进行了4次45小时的训练。
结论
baidu-ultr_uva-bert_ips-pointwise项目为解决信息检索中的偏见问题提供了一个有价值的解决方案。通过结合先进的机器学习技术和创新的训练方法，该模型在提高搜索结果质量和用户体验方面展现出了巨大的潜力。
