Google випустила бібліотеку TF-Ranking для навчання ранжування

TF-Ranking призначена для використання на платформі TensorFlow і являє собою масштабований фреймворк з останніми розробками в області алгоритмів ранжирування. Користувач може випробувати різні моделі навчання та випробувати власні напрацювання, користуючись єдиною бібліотекою та гнучким API.

На відміну від традиційних методів ранжування, нова бібліотека може проводити групову оцінку елементів. Розробники заявляють, що продуктивність такого підходу можна порівняти з продуктивністю новітніх алгоритмів ранжирування RankNet, MART і LambdaMART. Для контролю над ранжуванням користувач може використовувати List-In-List-Out (LILO) API.

У TF-Ranking реалізовані стандартні точкові, парні та спискові функції втрат. Такий підхід дозволяє користувачеві отримати результати досліджень, що відтворюються, або експериментально підтвердити висновки, зроблені сторонньою командою. Тієї ж мети служить включення в бібліотеку найбільш поширених метрик ранжування Mean Reciprocal Rank (MRR) і Normalized Discounted Cumulative Gain (NDCG).

Оскільки оптимізація стохастичного спадного градієнта для зазначених метрик утруднена, Google включила в TF-Ranking метрику LambdaLoss. У цій власній розробці компанії функції втрат створюються і оптимізуються за допомогою EM-алгоритму.

Розробники заявляють, що їм вдалося створити алгоритм, що виключає, в результаті, помилки при ранжируванні. Досягти такого результату виявилося можливим за допомогою перевизначення ваг ітерацій навчання.

Бібліотека використовує інтерфейс TensorFlow Estimator і готова до інтеграції в інфраструктуру TensorFlow. Ознайомитися з TF-Ranking можна в репозиторії GitHub.

Інші новини