Масштабируемое нейронное обучение для ранжирования (LTR) моделей

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)
Run в ноутбук

TensorFlow Ранжирование является библиотека с открытым исходным кодом для разработки масштабируемых, нейронные обучения для ранговых моделей (LTR). Рейтинг модели обычно используются в поисковых и рекомендательных систем, но также успешно применяется в самых различных областях, в том числе машинного перевода , диалоговых систем электронной коммерции , SAT решателей , смарт - градостроительных , и даже вычислительной биологии.

Модель ранжирования берет список элементов (веб-страницы, документы, продукты, фильмы и т. Д.) И генерирует список в оптимизированном порядке, например, наиболее релевантные элементы вверху и наименее релевантные элементы внизу, обычно в ответ на запрос пользователя:

Эта библиотека поддерживает стандартные точечные, попарные и списочные функции потерь для моделей LTR. Он также поддерживает широкий диапазон ранжирования показателей, в то числе среднего Взаимного ранга (MRR) и нормализованная со скидкой накопленной прибыли (NDCG), так что вы можете оценить и сравнить эти подходы для ранжирования задач. Библиотека ранжирования также предоставляет функции для расширенных подходов к ранжированию, которые исследуются, тестируются и разрабатываются инженерами по машинному обучению в Google.

Начало работы с ранжированием библиотеки TensorFlow, проверяя учебник . Узнайте больше о возможностях библиотеки, прочитав обзор ЗАКАНЧИВАТЬ исходный код TensorFlow Рейтинг на GitHub .