Model pembelajaran saraf untuk menentukan peringkat (LTR) yang dapat diskalakan, Model pembelajaran saraf untuk menentukan peringkat (LTR) yang dapat diskalakan
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 = { "float_features": tf.keras.Input(shape=(None, 136), dtype=tf.float32) } 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)
TensorFlow Ranking adalah library open-source untuk mengembangkan model neural learning to rank (LTR) yang skalabel. Model peringkat biasanya digunakan dalam sistem pencarian dan rekomendasi, tetapi juga telah berhasil diterapkan di berbagai bidang, termasuk terjemahan mesin , sistem dialog e-commerce , pemecah SAT , perencanaan kota pintar , dan bahkan biologi komputasi.
Model peringkat mengambil daftar item (halaman web, dokumen, produk, film, dll.) dan menghasilkan daftar dalam urutan yang dioptimalkan, seperti item yang paling relevan di atas dan item yang paling tidak relevan di bagian bawah, biasanya sebagai tanggapan terhadap permintaan pengguna:
Pustaka ini mendukung fungsi pointwise, pairwise, dan listwise loss standar untuk model LTR. Ini juga mendukung berbagai metrik peringkat, termasuk Mean Reciprocal Rank (MRR) dan Normalized Discounted Cumulative Gain (NDCG), sehingga Anda dapat mengevaluasi dan membandingkan pendekatan ini untuk tugas peringkat Anda. Pustaka Peringkat juga menyediakan fungsi untuk pendekatan peringkat yang disempurnakan yang diteliti, diuji, dan dibuat oleh insinyur pembelajaran mesin di Google.
Mulailah dengan library TensorFlow Ranking dengan melihat tutorialnya . Pelajari lebih lanjut tentang kemampuan perpustakaan dengan membaca Ikhtisar Lihat kode sumber untuk TensorFlow Ranking di GitHub .
