معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

ویژگی	مقدار
سیستم عامل	-
نام فایل	cmip-metric-0.1.2
نام	cmip-metric
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/cmip-metric/
مجوز	-

# CMIP - Conditional Mutual Information with the logging Policy CMIP implementation from the 2023 SIGIR paper: `An Offline Metric for the Debiasedness of Click Models`. The metric quantifies the mutual information between a new click model policy and the production system that collected the train dataset (logging policy), conditional on human relevance judgments. CMIP quantifies the degree of debiasedness (see paper for details). A policy is said to be debiased w.r.t. its logging policy with a `cmip <= 0`. ## Example ```Python import numpy as np n_queries = 1_000 n_results = 25 # Human relevance annotations per query-document pair y_true = np.random.randint(5, size=(n_queries, n_results)) # Relevance scores of the logging policy y_logging_policy = y_true + np.random.randn(n_queries, n_results) # Relevance scores of a new policy (in this case, strongly dependent on logging policy) y_predict = y_logging_policy + np.random.randn(n_queries, n_results) # Number of documents per query, used for masking n = np.full(n_queries, n_results) ``` ```Python from cmip_metric import CMIP metric = CMIP() metric(y_predict, y_logging_policy, y_true, n) > 0.2687 # The policy predicting y_predict is not debiased w.r.t. the logging policy. ``` ## Installation ``` pip install cmip-metric ``` ## Reference **Note: To be published at:** ``` @inproceedings{Deffayet2023Debiasedness, author = {Romain Deffayet and Philipp Hager and Jean-Michel Renders and Maarten de Rijke}, title = {An Offline Metric for the Debiasedness of Click Models}, booktitle = {Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR`23)}, organization = {ACM}, year = {2023}, } ``` ## License This project uses the [MIT license](https://github.com/philipphager/CMIP/blob/main/LICENSE).

نیازمندی

مقدار	نام
>=1.24.1,<2.0.0	numpy
>=1.2.1,<2.0.0	scikit-learn
>=3.3.5,<4.0.0	lightgbm

زبان مورد نیاز

مقدار	نام
>=3.9,<4.0	Python

نحوه نصب

نصب پکیج whl cmip-metric-0.1.2:

pip install cmip-metric-0.1.2.whl

نصب پکیج tar.gz cmip-metric-0.1.2:

pip install cmip-metric-0.1.2.tar.gz