可扩展的神经学习排序 (LTR) 模型
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)
在 笔记本 中运行
TensorFlow 排序是一个开源库，用于开发可扩展的神经 学习排序 (LTR) 模型。排序模型通常用于搜索和推荐系统，但也已成功应用于各种领域，包括 机器翻译、对话系统 电子商务、SAT 求解器、智慧城市规划，甚至 计算生物学。
排序模型接受一个项目列表（网页、文档、产品、电影等），并生成一个优化排序的列表，例如最相关的项目位于顶部，最不相关的项目位于底部，通常是响应用户查询。
此库支持 LTR 模型的标准点式、成对式和列表式损失函数。它还支持各种排序指标，包括 平均倒数秩 (MRR) 和 归一化折损累计增益 (NDCG)，因此您可以评估和比较这些方法以用于您的排序任务。排序库还提供用于增强排序方法的功能，这些方法由 Google 的机器学习工程师进行研究、测试和构建。
通过查看 教程 开始使用 TensorFlow 排序库。通过阅读 概述 了解有关库功能的更多信息。查看 TensorFlow 排序在 GitHub 上的源代码。
