谷歌AI發(fā)布新成果，TF-Ranking：這是一個(gè)應(yīng)用于Learning to Rank、基于TensorFlow的可擴(kuò)展庫(kù)。它提供了一個(gè)統(tǒng)一的框架，其中包括一套最先進(jìn)的Learning to Rank算法，并支持成對(duì)或列表丟失函數(shù)，多項(xiàng)目評(píng)分，排名度量?jī)?yōu)化等等。

排序，是一種適用于搜索引擎、系統(tǒng)推薦以及機(jī)器翻譯等的重要操作。

在諸如此類(lèi)的應(yīng)用程序中，研究人員經(jīng)常使用一組名叫Learning to Rank的有監(jiān)督機(jī)器學(xué)習(xí)技術(shù)。

在許多情況下，Learning to Rank應(yīng)用于較大的數(shù)據(jù)集，在這些場(chǎng)景中，TensorFlow可擴(kuò)展性是具有優(yōu)勢(shì)的。

然而，目前還沒(méi)有現(xiàn)成的，可以在TensorFlow中應(yīng)用Learning to Rank的技術(shù)。而且也沒(méi)有其他開(kāi)源庫(kù)專(zhuān)門(mén)應(yīng)用大規(guī)模Learning to Rank技術(shù)。

谷歌AI發(fā)布了TF-Ranking，這是一個(gè)應(yīng)用于Learning to Rank、基于TensorFlow的可擴(kuò)展庫(kù)。

TF-Ranking

TF-Ranking提供了一個(gè)統(tǒng)一的框架，其中包括一套最先進(jìn)的Learning to Rank算法，并支持成對(duì)或列表丟失函數(shù)，多項(xiàng)目評(píng)分，排名度量?jī)?yōu)化等等。

TF-Ranking速度較快且易于使用，而且還可以創(chuàng)建高質(zhì)量的排名模型。統(tǒng)一的框架使ML研究人員、從業(yè)者和愛(ài)好者能夠在單個(gè)庫(kù)中評(píng)估和選擇一系列不同的排名模型。

此外，谷歌團(tuán)隊(duì)堅(jiān)信一個(gè)有用的開(kāi)源庫(kù)，其關(guān)鍵不僅在于提供合理的默認(rèn)值(sensible default)，還在于授權(quán)用戶(hù)開(kāi)發(fā)他們自己的定制模型。因此，團(tuán)隊(duì)提供了靈活的API，用戶(hù)可以在API中定義和插入自己定制的損失函數(shù)、評(píng)分函數(shù)和指標(biāo)。

現(xiàn)有的算法和度量支持

Learning to Rank算法的目標(biāo)是最小化在項(xiàng)目列表上定義的損失函數(shù)，以?xún)?yōu)化任何給定應(yīng)用程序的列表排序的效用。TF-Ranking支持廣泛的標(biāo)準(zhǔn)pointwise，pairwise和listwise損失函數(shù)。這確保了使用TF-Ranking庫(kù)的研究人員能夠復(fù)制和擴(kuò)展以前發(fā)布的基線，從業(yè)者可以為他們的應(yīng)用做出最明智的選擇。

此外，TF-Ranking可以通過(guò)嵌入和擴(kuò)展到數(shù)億個(gè)訓(xùn)練實(shí)例來(lái)處理稀疏特征（如原始文本）。

因此，任何對(duì)構(gòu)建真實(shí)世界數(shù)據(jù)密集型排名系統(tǒng)(如Web搜索或新聞推薦)感興趣的人都可以使用TF-Ranking作為強(qiáng)大，可擴(kuò)展的解決方案。

經(jīng)驗(yàn)評(píng)估是任何機(jī)器學(xué)習(xí)或信息檢索研究的重要組成部分。

為了確保與先前工作的兼容性，TF-Ranking支持許多常用的排名指標(biāo)，包括平均倒數(shù)排名(MRR)和歸一化折扣累積收益(NDCG)。

TensorBoard中顯示的訓(xùn)練步驟(X軸)的NDCG度量(Y軸)的示例。 它顯示了訓(xùn)練期間指標(biāo)的總體進(jìn)度。 可以直接在儀表板上比較不同的方法。 可以根據(jù)指標(biāo)選擇最佳模型。

多項(xiàng)評(píng)分

TF-Ranking支持一種新的評(píng)分機(jī)制，其中多個(gè)項(xiàng)目(例如web頁(yè)面)可以聯(lián)合評(píng)分，這是對(duì)傳統(tǒng)評(píng)分模式的擴(kuò)展，在傳統(tǒng)的評(píng)分模式中，單個(gè)項(xiàng)目是獨(dú)立評(píng)分的。

多項(xiàng)目評(píng)分的一個(gè)挑戰(zhàn)是很難推斷哪些項(xiàng)目必須分組并在子組中評(píng)分。然后，每個(gè)項(xiàng)目的分?jǐn)?shù)被累積起來(lái)，用于排序。為了讓這些復(fù)雜性對(duì)用戶(hù)透明，TF- Ranking提供了一個(gè)List-In-List-Out (LILO) API，將所有這些邏輯包裝在導(dǎo)出的TF模型中。

TF-Ranking庫(kù)支持多項(xiàng)目評(píng)分體系結(jié)構(gòu)，是傳統(tǒng)單項(xiàng)評(píng)分的擴(kuò)展。

正如谷歌AI在最近的工作中所展示的那樣，多項(xiàng)目評(píng)分在公共LETOR基準(zhǔn)測(cè)試中與RankNet，MART和LambdaMART等最先進(jìn)的學(xué)習(xí)級(jí)別模型相比具有競(jìng)爭(zhēng)力。

排名指標(biāo)優(yōu)化

Learning to Rank一個(gè)重要研究挑戰(zhàn)是直接優(yōu)化排名指標(biāo)(如前面提到的NDCG和MRR)。

這些指標(biāo)雖然能夠比曲線下面積(Area Under the Curve, AUC)之類(lèi)的標(biāo)準(zhǔn)分類(lèi)指標(biāo)更好地衡量排名系統(tǒng)的性能，但很可惜，它們要么不連續(xù)，要么平坦(flat)。因此，這些指標(biāo)的標(biāo)準(zhǔn)隨機(jī)梯度下降優(yōu)化是有問(wèn)題的。

谷歌AI提出了一種新的方法，LambdaLoss，它為排序度量?jī)?yōu)化提供了一個(gè)有原則的概率框架。

在這個(gè)框架中，可以通過(guò)期望最大化的過(guò)程來(lái)設(shè)計(jì)和優(yōu)化度量驅(qū)動(dòng)的損失函數(shù)。TF-Ranking庫(kù)集成了直接度量?jī)?yōu)化的最新進(jìn)展，并提供了LambdaLoss的實(shí)現(xiàn)。

無(wú)偏(unbiased)Learning to Rank

先前的研究表明，給定一個(gè)項(xiàng)目的排序列表，用戶(hù)更有可能與前幾個(gè)結(jié)果交互，而不會(huì)考慮它們的相關(guān)性。

這一發(fā)現(xiàn)激發(fā)了人們對(duì)無(wú)偏Learning to Rank的研究興趣，并且基于訓(xùn)練的實(shí)例進(jìn)行重新加權(quán)，開(kāi)發(fā)了無(wú)偏見(jiàn)的評(píng)估和幾種無(wú)偏見(jiàn)的學(xué)習(xí)算法。

開(kāi)始用TF-Ranking吧！

TF-Ranking實(shí)現(xiàn)了TensorFlow Estimator接口，通過(guò)封裝訓(xùn)練、評(píng)估、預(yù)測(cè)和導(dǎo)出服務(wù)，大大簡(jiǎn)化了機(jī)器學(xué)習(xí)編程。

TF-Ranking與豐富的TensorFlow生態(tài)系統(tǒng)完美集成。 如上所述，你可以使用Tensorboard可視化NDCG和MRR等排名指標(biāo)，以及使用這些指標(biāo)選擇最佳模型檢查點(diǎn)。 一旦你的模型準(zhǔn)備就緒，便可以使用TensorFlow服務(wù)，非常容易將其部署到生產(chǎn)中。