銅靈 發自 凹非寺
量子位 出品 | 公眾號 QbitAI
最近，谷歌新開源了可擴展的TensorFlow庫TF-Ranking，可用於學習排序。所謂學習排序，也就是對項目列表進行排序，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算法，包含成對或列表損失函數、多項目評分、排名度量優化和無偏見的學習排名。
谷歌在官方博客表示，TF-Ranking在創建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，用戶可以在其中定義和插入自己的自定義損失函數、評分函數和衡量標準，開發自己的自定義模型。
支持現有算法和衡量標準
TF-Ranking的適用性很廣，既可支持目前廣泛使用的排序學習算法，還能通過嵌入和擴展到數億個訓練示例來處理稀疏特徵。
TF-Ranking支持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可視化儀表板）上顯示這些標準。
多項目評分
TF-Ranking支持與以往不同的評分機制，比如，可以挑戰一把多項目評分。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導出的TensorFlow模型中。
研究人員在論文中介紹說，讓TF-Rankin在公共LETOR基準測試中進行多項目評分，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數。
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。
這篇新博客就醬，對TF-Ranking感興趣的話，可進一步探索以下官方資料：
傳送門
博客地址：
https://ai.googleblog.com/2018/12/tf-ranking-scalable-tensorflow-library.html
論文地址：
https://arxiv.org/abs/1812.00073
代碼地址：
https://github.com/tensorflow/ranking
教程地址：
https://github.com/tensorflow/ranking/tree/master/tensorflow_ranking/examples
— 完 —
誠摯招聘
量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回覆“招聘”兩個字。
量子位 QbitAI · 頭條號簽約作者
վ'ᴗ' ի 追蹤AI技術和產品新動態
閱讀更多 量子位 的文章
