谷歌开源TF-Ranking:排序学习的可扩展库
极客时间编辑部
讲述:丁婵大小:2.37M时长:02:35
近日,谷歌宣布开源 TF-Ranking,这是一个用于排序学习的可扩展 TensorFlow 库。它提供了一个统一的框架,包括了一套最先进的排序学习算法,并支持 Pairwise 和 Listwise 损失函数、多项目评分、排序度量优化和无偏见排序学习。
据了解,TF-Ranking 速度很快,而且易于使用,并可以用它来创建高质量的排序模型。统一的框架让 ML 研究人员、ML 从业者和 ML 爱好者,能够基于单个库来评估和选择一系列不同的排序模型。
谷歌表示,一个好的开源库的关键之处不仅在于提供合理的默认设置,它还应该让用户能够开发自己的自定义模型。因此,他们提供了灵活的 API,用户可以定义和插入自己的自定义损失函数、评分函数和度量指标。
排序学习算法的目标是最小化在项目列表上定义的损失函数,优化给定应用程序的列表排序效用。TF-Ranking 支持标准的 Pointwise、Pairwise 和 Listwise 损失函数。使用 TF-Ranking 库的 ML 研究人员,能够复制和扩展以前发布的基线,ML 专业人员可以为他们的应用做出最明智的选择。
此外,TF-Ranking 可以通过嵌入和扩展到数亿个训练实例来处理稀疏特征(如原始文本)。因此,任何对构建真实世界数据密集型排序系统(如网络搜索或新闻推荐)感兴趣的人,都可以使用 TF-Ranking 作为强大、可扩展的解决方案。
在最近的工作中,谷歌提出了一种新的方法 LambdaLoss,它提供了一种用于对度量优化进行排序的原则概率框架。在这个框架中,可以通过期望最大化过程,来设计和优化基于度量指标驱动的损失函数。
TF-Ranking 库集成了直接度量指标优化的最新成果,并提供了 LambdaLoss 实现。谷歌希望这些可以鼓励和促进排序度量指标优化领域进一步的研究和进展。
此外,TF-Ranking 实现了 TensorFlow Estimator 接口,通过封装训练、评估、预测和导出服务极大简化了机器学习编程。它能够与丰富的 TensorFlow 生态系统完美集成。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》,如需阅读全部文章,
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论