銅靈 發自 凹非寺

量子位 出品 | 公眾號 QbitAI

最近，谷歌新開源了可擴充套件的TensorFlow庫TF-Ranking，可用於學習排序。所謂學習排序，也就是對專案列表進行排序，從而將整個功能最大化的過程。

TF-Ranking中有一套完整的學習排序的演算法，包含成對或列表損失函式、多專案評分、排名度量優化和無偏見的學習排名。

谷歌在官方部落格表示，TF-Ranking在建立高質量排名模型時速度快且易於使用，這套統一的框架能幫助ML研究人員、從業者和愛好者能夠在單個庫中評估和選擇一系列不同的排名模型。

谷歌還提供了靈活的API

支援現有演算法和衡量標準

TF-Ranking的適用性很廣，既可支援目前廣泛使用的排序學習演算法，還能通過嵌入和擴充套件到數億個訓練示例來處理稀疏特徵。

TF-Ranking支援許多常用的排名衡量標準，包括平均倒數排名（MRR）和NDCG，還可以在TensorBoard（開源TensorFlow視覺化儀表板）上顯示這些標準。

多專案評分

TF-Ranking支援與以往不同的評分機制，比如，可以挑戰一把多專案評分。這是此前的一個難以進行推理的行業瓶頸。

TF-Ranking提供的List-In-List-Out（LILO）API能將所有這些邏輯包裝在匯出的TensorFlow模型中。

研究人員在論文中介紹說，讓TF-Rankin在公共LETOR基準測試中進行多專案評分，進而與RankNet、MART和LambdaMART等最先進的學習模型相比，TF-Rankin具有競爭力。

優化排名標準

學習排名中的一個重要研究挑戰是排名標準的直接優化。在TF-Ranking中，研究人員提出了一種新方法LambdaLoss，是為排名標準優化準備的概率框架。

在此框架中，可以通過期望最大化過程來設計和優化標準驅動的損失函式。

除了上述特徵外，研究人員最後再次強調， TF-Ranking也是一個無偏見的排序學習庫。

這篇新部落格就醬，對TF-Ranking感興趣的話，可進一步探索以下官方資料：

傳送門

部落格地址：

https://ai.googleblog.com/2018/12/tf-ranking-scalable-tensorflow-library.html

論文地址：

https://arxiv.org/abs/1812.00073

程式碼地址：

https://github.com/tensorflow/ranking

教程地址：

https://github.com/tensorflow/ranking/tree/master/tensorflow_ranking/examples

— 完 —