多樣任務真實數據，大模型在線購物基準Shopping MMLU開源｜NeurIPS&KDD Cup 2024

港科大博士金逸倫 投稿

量子位 | 公眾號 QbitAI

誰是在線購物領域最強大模型？也有評測基準了。

基於真實在線購物數據，電商巨頭亞馬遜終於「亮劍」——

聯合香港科技大學、聖母大學構建了一個大規模、多任務評測基準Shopping MMLU，用以評估大語言模型在在線購物領域的能力與潛力。

一直以來，想要完整建模在線購物相當複雜，主要痛點是：

• 多任務性：在線購物中存在多樣的實體（例如商品、屬性、評論、查詢關鍵詞等）、關係（例如關鍵字和商品的匹配度，商品和商品之間的兼容性、互補性）和用戶行為（瀏覽、查詢、和購買）。

對這些實體、關係和行為和聯合建模與理解構成一個複雜的多任務（multi-task）學習問題。

• 少樣本性：在線購物平台會不斷面臨新用戶、新商品、新商品品類等帶來的冷啟動（cold-start）場景。在冷啟動場景下，在線購物平台需要解決少樣本（few-shot）學習問題。

不過，諸如GPT，T5，LLaMA等的大語言模型（LLM）已經展現出了強大的多任務和少樣本學習能力，因而有潛力在在線購物領域中得到廣泛應用。

而為了進一步找出最強、最具潛力的LLM，測試基準Shopping MMLU應運而生——

與現有數據集相比，Shopping MMLU覆蓋了更多的能力（四項）和任務（57個）。

同時，基於Shopping MMLU，亞馬遜舉辦了KDD Cup 2024數據挖掘競賽，吸引了全球超過500支隊伍參賽。

廣泛的能力和任務覆蓋

為了全面、充分評估大語言模型在在線購物領域中的能力，研究首先分析了在線購物領域的獨特性：

• 特定領域的短文本：在線購物中存在大量的特定領域名詞，例如品牌、產品名、產品線等。此外，這些特定領域名詞往往出現於短文本中，例如查詢關鍵詞、屬性名-值對等。因此，在缺乏上下文的短文本中理解特定領域名詞，是在線購物領域的一個獨特挑戰。

• 商品的隱含知識：大部分商品都隱含特定的知識，例如AirPods使用藍牙連接，不需要轉接線；碳纖維製品一般重量很輕等。如何準確理解不同商品隱含的知識並且進行推理，是在線購物領域的另一個獨特挑戰。

• 異質且隱式的用戶行為：在線購物平台上存在多種多樣的用戶行為，例如瀏覽、查詢、加購物車、購買等。這些行為大部分都不以語言表達，因此如何全面理解這些異質的用戶行為，是在線購物所必須解決的問題。

• 多語言任務：在線購物平台往往在不止一個地區運營，因此需要模型能同時理解多種語言描述下的商品和用戶問題。

基於以上分析，研究構造了Shopping MMLU，覆蓋四項在線購物能力，共計57個任務：

• 在線購物概念理解

• 在線購物知識推理

• 用戶行為理解

• 多語言能力

下表可見，Shopping MMLU相比現有數據集覆蓋了更多的能力和任務。

能力和任務構成如下圖所示。

Shopping MMLU大部分由真實的亞馬遜在線購物數據構造，並且經過人工檢驗，儘可能排除低質量數據，例如標註錯誤，缺乏必要信息等。

部分問題示例如下。

主流大語言模型成績單

研究選取了共27個主流大語言模型進行實驗分析，其中包括：

• 閉源模型（Claude-3, Claude-2, GPT）

• 開源通用領域模型（LLaMA2、LLaMA3、QWen、Mistral）

• 開源特定領域模型（eCeLLM，經過在線購物領域數據進行微調）

實驗結果如下表所示。

研究發現，雖然閉源模型仍然處於領先（例如Claude-3 Sonnet整體排名第一），但開源模型已經能夠趕上閉源模型的性能（例如QWen和LLaMA3）。

此外，特定領域模型eCeLLM並未在同參數量級下取得最好成績，說明Shopping MMLU是一個有相當難度的評測基準，無法通過簡單的微調取得好成績。

如何打造在線購物領域大模型

基於Shopping MMLU，研究分析常用的大模型增強手段，進一步探究如何打造強大的在線購物領域大模型。

首先，如下圖所示，模型在不同能力和任務上的得分高度正相關。這說明了在線購物領域的不同任務之間存在共同的知識，可以使用大語言模型進行整體性的建模和能力提升。

其次，如下圖所示，模型的Shopping MMLU得分和模型在通用大模型基準測試的得分（Open LLM Leaderboard）同樣高度相關。

另外，隨著同一個模型家族內模型增大，其Shopping MMLU得分同樣增加。

這表明大語言模型的通用能力可以很好地遷移到在線購物領域中，構造特定領域大模型的基礎是強大的通用能力。

隨後，研究分析了微調對模型在Shopping MMLU得分的影響。

通用領域的微調一般對模型在Shopping MMLU上有提升。不過，這一結論也與基礎模型的能力，微調的數據質量等因素存在關係。

例如，在LLaMA2-70B上，研究觀察到經過微調的LLaMA2-70B-chat得分低於LLaMA2-70B，而在LLaMA3-70B上沒有觀察到這一現象。

可能的原因是，相對較小的微調數據使得LLaMA2-70B過擬合，導致通用能力的部分丟失，進而導致Shopping MMLU上得分下降。

反之，LLaMA3使用了更高質量的微調數據，所以能夠保留通用能力，同時增強模型回答問題的能力，得到更高的分數。

特定領域微調（如eCeLLM）並未能在Shopping MMLU上取得最高得分。

為了探究其中原因，研究測試了eCeLLM與其基礎模型在通用能力上的對比。結果表明，經過特定領域微調的eCeLLM相比其基礎模型的通用能力一般有所下降。

這可能是導致eCeLLM未能取得最高得分的原因，也同時強調了通用能力對於對特定領域的重要性。

總結

Shopping MMLU是一個針對大語言模型和在線購物領域設計的評測指標。其包含廣泛的任務和能力覆蓋（4項重要能力，共計57個任務），可以全面評估大語言模型在在線購物領域的能力和潛力。

Shopping MMLU基於亞馬遜的真實購物數據打造，經過人工篩選，保證數據質量。基於Shopping MMLU，研究展開了大量實驗分析，為這一領域後續的研究和實際應用提供了有價值的結論。

目前，Shopping MMLU以及其對應的資源全部開源並將持續維護，方便研究人員和開發者進行深入探索和應用。

Shopping MMLU的數據以及對應評測代碼已經於GitHub公開。

同時，為了構造開放、開源的評測體系，研究基於Shopping MMLU建立了一個排行榜。

官方表示，Shopping MMLU歡迎新模型加入排行榜，如果有興趣的話可以於GitHub上與Shopping MMLU維護者進行聯繫。

論文：

https://arxiv.org/pdf/2410.20745

數據及評測代碼：

https://github.com/KL4805/ShoppingMMLU

KDD Cup 2024 Workshop及獲獎隊伍解法：

https://amazon-kddcup24.github.io/

評估榜單：

https://huggingface.co/spaces/KL4805/shopping_mmlu_leaderboard