为了确保与先前工作的兼容性,TF-Ranking 支持许多常用的排序评价指标,包括 Mean Reciprocal Rank(MRR,https://en.wikipedia.org/wiki/Discounted_cumulative_gain)和 Normalized Discounted Cumulative Gain(NDCG,https://en.wikipedia.org/wiki/Discounted_cumulative_gain),同时也让研究人员在训练期间更方便在 TensorBoard...
这确保了使用TF-Ranking库的研究人员能够复制和扩展以前发布的基线,从业者可以为他们的应用做出最明智的选择。 此外,TF-Ranking可以通过嵌入和扩展到数亿个训练实例来处理稀疏特征(如原始文本)。 因此,任何对构建真实世界数据密集型排名系统(如Web搜索或新闻推荐)感兴趣的人都可以使用TF-Ranking作为强大,可扩展的解决方...
【新智元导读】谷歌AI发布新成果,TF-Ranking:这是一个应用于Learning to Rank、基于TensorFlow的可扩展库。它提供了一个统一的框架,其中包括一套最先进的Learning to Rank算法,并支持成对或列表丢失函数,多项目评分,排名度量优化等等。 排序,是一种适用于搜索引擎、系统推荐以及机器翻译等的重要操作。 在诸如此类的应...
TF-Ranking是一个基于tensorflow的框架,它支持在深度学习场景中实现TLR方法。该框架包括实现流行的TLR技术,如成对pairwise或列表listwise损失函数、多项目评分、排名指标优化和无偏学习排名。 TF-Ranking的实现非常复杂,但使用起来也非常简单。该实现的核心组件是一个model_fn函数,它接受特征和标签作为输入,并根据模式(TRA...
在tf-ranking框架中实现不同的排名算法,可以按照以下步骤进行: 数据准备:将训练数据准备成tf-record格式,包括特征和标签。特征可以包括查询特征、文档特征和上下文特征,标签表示相关性或排序。 构建模型:使用tf-ranking框架提供的功能,根据需要选择合适的模型结构,如RankNet、RankBoost、LambdaMART等。可以通过定义网络...
在tfranking中称为Multi-Item Scoring,相应的对多item的打分函数为Groupwise Scoring Function(GSF),模仿用户在物料序列中的“先比较、再选择”的行为。 为了简化运算,我们忽略掉sigmoid函数的参数 ,即另其为1,不影响后续的理解。 该pair对的损失函数为:
在TF-Ranking库中,实施指标来支持无偏估计,并且通过本机支持重新加权来克服用户交互数据集中的固有偏差,弥补无偏见学习的损失。 TF-Ranking入门 TF-Ranking实现了TensorFlow Estimator接口,通过封装训练、评估、预测和导出服务,大大简化了机器学习的编程难度。TF-Ranking与丰富的TensorFlow生态系统完美集成。
AI 前线导读:Ranking 是指对一个列表项进行排序的过程,以便最大化列表的效用,适用于各种领域,从搜索引擎和推荐系统到机器翻译、对话系统甚至是计算生物学。在这些应用程序中,研究人员经常使用一系列叫作 排序学习(learning-to-rank)的监督机器学习技术。在很多情况下,这些排序学习技术被应用在非常大型的数据集上——...
TF-Ranking库支持多项目评分体系结构,这是对传统单项评分模式的扩展。 多项目评分在公共LETORbenchmark上与最先进的排序学习模型(例如RankNet,MART和LambdaMART)相比更具有竞争力。 排序指标优化 排序学习中一个重要的研究挑战是排序指标的直接优化(例如前面提到的NDCG和MRR)。这些指标虽然能够比标准分类指标(如曲线下面积...
通过编程的方式,排名头通过工厂方法tf .head.create_ranking_head公开。 使用TF-Ranking 从编程的角度来看,TF-Ranking实现了TensorFlow Estimator接口,该接口抽象了机器学习应用程序生命周期的不同方面,比如训练、评估、预测和模型服务。使用TF-Ranking的经验如下面的代码所示。 def get_estimator(hparams): """Create a...