स्केलेबल, न्यूरल लर्निंग टू रैंक (LTR) मॉडल

import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_ranking as tfr

# Prep data
ds = tfds.load("mslr_web/10k_fold1", split="train")
ds = ds.map(lambda feature_map: {
    "_mask": tf.ones_like(feature_map["label"], dtype=tf.bool),
    **feature_map
})
ds = ds.shuffle(buffer_size=1000).padded_batch(batch_size=32)
ds = ds.map(lambda feature_map: (
    feature_map, tf.where(feature_map["_mask"], feature_map.pop("label"), -1.)))

# Create a model
inputs = {
    name: tf.keras.Input(shape=(None, 1), dtype=tf.float32, name=name)
    for name in ds.element_spec[0]
    if name != "_mask"
}
norm_inputs = [tf.keras.layers.BatchNormalization()(x) for x in inputs.values()]
x = tf.concat(norm_inputs, axis=-1)
for layer_width in [128, 64, 32]:
  x = tf.keras.layers.Dense(units=layer_width)(x)
  x = tf.keras.layers.Activation(activation=tf.nn.relu)(x)
scores = tf.squeeze(tf.keras.layers.Dense(units=1)(x), axis=-1)

# Compile and train
model = tf.keras.Model(inputs=inputs, outputs=scores)
model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
    loss=tfr.keras.losses.SoftmaxLoss(),
    metrics=tfr.keras.metrics.get("ndcg", topn=5, name="NDCG@5"))
model.fit(ds, epochs=3)
एक नोटबुक में चलाएँ

TensorFlow रैंकिंग स्केलेबल, तंत्रिका के विकास के लिए एक खुला स्रोत पुस्तकालय है पद के लिए सीखने (लीटर) मॉडल। रैंकिंग मॉडल आमतौर पर खोज और सिफारिश प्रणालियों में इस्तेमाल किया जाता है, लेकिन यह भी कर दिया गया सफलतापूर्वक सहित क्षेत्रों, की एक विस्तृत विविधता में आवेदन किया है मशीन अनुवाद , संवाद प्रणाली ई-कॉमर्स , सैट समाधानकर्ताओं , स्मार्ट नगर नियोजन , और यहां तक कि कम्प्यूटेशनल जीव विज्ञान।

एक रैंकिंग मॉडल आइटम (वेब ​​पेज, दस्तावेज़, उत्पाद, फिल्में, आदि) की एक सूची लेता है और एक अनुकूलित क्रम में एक सूची तैयार करता है, जैसे कि शीर्ष पर सबसे अधिक प्रासंगिक आइटम और नीचे सबसे कम प्रासंगिक आइटम, आमतौर पर प्रतिक्रिया में एक उपयोगकर्ता क्वेरी:

यह पुस्तकालय एलटीआर मॉडल के लिए मानक बिंदुवार, जोड़ीवार और सूचीवार हानि कार्यों का समर्थन करता है। यह भी रैंकिंग मैट्रिक्स की एक विस्तृत श्रृंखला, सहित समर्थन करता है, मीन पारस्परिक रैंक (MRR) और सामान्यीकृत रियायती संचयी लाभ तो आप का मूल्यांकन करने और इन अपनी रैंकिंग में कार्य के लिए दृष्टिकोण की तुलना कर सकते, (NDCG)। रैंकिंग लाइब्रेरी उन्नत रैंकिंग दृष्टिकोणों के लिए कार्य भी प्रदान करती है जो Google में मशीन लर्निंग इंजीनियरों द्वारा शोध, परीक्षण और निर्मित किए जाते हैं।

बाहर की जाँच के द्वारा TensorFlow रैंकिंग पुस्तकालय के साथ प्रारंभ करना ट्यूटोरियल । पढ़कर पुस्तकालय की क्षमताओं के बारे में और जानें अवलोकन बाहर TensorFlow पर रैंकिंग के लिए स्रोत कोड की जाँच करें GitHub