Skalowalne modele neuronowego uczenia się w celu rangowania (LTR),Skalowalne modele neuronowego uczenia się w celu rangowania (LTR)

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 to biblioteka typu open source do opracowywania skalowalnych, neuronowych modeli uczenia się do rangowania (LTR). Modele rankingowe są zwykle stosowane w systemach wyszukiwania i rekomendacji, ale są również z powodzeniem stosowane w wielu różnych dziedzinach, w tym w tłumaczeniu maszynowym , systemach dialogowych e-commerce , solwerach SAT , inteligentnym planowaniu miast , a nawet biologii obliczeniowej.

Model rankingu pobiera listę elementów (stron internetowych, dokumentów, produktów, filmów itp.) i generuje listę w zoptymalizowanej kolejności, na przykład najbardziej istotne elementy na górze i najmniej istotne elementy na dole, zwykle w odpowiedzi na zapytanie użytkownika:

Ta biblioteka obsługuje standardowe funkcje straty punktowej, parami i listowej dla modeli LTR. Obsługuje również szeroki zakres metryk rankingowych, w tym średnią wzajemną rangę (MRR) i znormalizowany zdyskontowany skumulowany zysk (NDCG), dzięki czemu można ocenić i porównać te podejścia pod kątem zadania rankingowego. Biblioteka rankingów udostępnia również funkcje do ulepszonych podejść do rankingu, które są badane, testowane i tworzone przez inżynierów zajmujących się uczeniem maszynowym w Google.

Zacznij korzystać z biblioteki TensorFlow Ranking, zapoznając się z samouczkiem . Dowiedz się więcej o możliwościach biblioteki, czytając Omówienie Zapoznaj się z kodem źródłowym rankingu TensorFlow w serwisie GitHub .