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 .
