[TensorFlow] Библиотека обучения ранжированию TensorFlow (TF-Ranking)

машинное обучение искусственный интеллект

TF-RankingЭто библиотека с открытым исходным кодом, основанная на платформе TensorFlow, для решения крупномасштабных задач ранжирования. Он основан на том, что обычно называют“排序学习/ Learning to Rank” (LTR)базовая технология. Этот метод широко используется как поиск и рекомендация. TF-Ranking — это первая библиотека глубокого обучения с открытым исходным кодом для задач LTR, получившая широкое распространение в отрасли. Далее я представлю основные функции библиотеки и несколько небольших примеров.

Принятие в отрасли:

  • LinkedIn
  • Grubhub
  • Знай почти
  • ИКИИ
  • ...

Сортировать обучение

Общие сценарии следующие:在这里插入图片描述

Архитектура рейтинга TF

在这里插入图片描述 在这里插入图片描述

Основной модуль TF-рейтинга

  • Функция потерь: потеря ранжирования является основной технологией обучения ранжированию.
  • Метрики: эффект ранжирования должен основываться на метриках ранжирования как наилучших критериях оценки.
  • Конвейеры: Конвейеры просты в использовании для построения и обучения ранжированию моделей.

Функция потерь: можно разделить на 3 метода

1) Метод единого документа

  • Рассмотрим каждый документ отдельно
  • Некоторые примеры включают: порядковую регрессию, классификацию, деревья градиентной регрессии (GBRT).

在这里插入图片描述

2) Выравнивание документа

  • Рассмотрите пары документов: подумайте, является ли документ А более релевантным, чем документ Б.
  • Некоторые примеры включают: RankNet, RankSVM, RankBoost.

在这里插入图片描述

3) Метод списка документов

  • Рассмотрим порядок всего списка
  • Вот некоторые примеры: lambdamart, procndcg, list {net, mle}

在这里插入图片描述

Примеры поддерживаемых функций потерь

在这里插入图片描述 在这里插入图片描述

Примеры поддерживаемых показателей сортировки

在这里插入图片描述 在这里插入图片描述

Воронка рейтинга TF

Пользователю нужно только определить зеленый модуль:在这里插入图片描述Код для реализации вышеуказанных шагов:在这里插入图片描述

Категории