Learning to Rank(LTR, Pointwise,Pairwise,Listwise, NDCG, RankNet, ranklib)

LTR介绍以及排序算法与工具使用

LTR简介

排序学习

  • 推荐系统,搜索,广告的核心算法之一(LTR不仅被应用到搜索中,也应用到所有与排序相关的各种需求中)
  • Ranking模型,基于相关度和基于重要性进行排序
  • 基于相关度的Ranking,有监督的机器学习过程,对每一个给定的Query-doc对,抽取特征,通过日志挖掘或者人工标注的方法获得真实数据标注。然后通过排序模型,使得输入能够和实际的数据相似。

排序学习场景:

  • 推荐系统,基于历史行为的“猜你喜欢”
  • 搜索排序,基于某Query进行的结果排序,期望用户选中的在排序结果中是靠前的 => 有意识的被动推荐
  • 排序结果都很重要,猜用户想要点击或者booking的item就在结果列表前面
  • 排序学习是个性化结果,用于搜索列表、推荐列表、广告等场景

排序模型按照样本生成方法和损失函数的不同,可以划分成Pointwise, Pairwise, Listwise三类方法:

  • Pointwise排序学习(单点法):
    将训练样本转换为多分类问题(样本特征-类别标记)或者回归问题(样本特征-连续值)
    只考虑单个样本的好坏,没有考虑样本之间的顺序
  • Pairewise排序学习(配对法):
    比较流行的LTR学习方法,将排序问题转换为二元分类问题
    接收到用户査询后,返回相关文档列表,确定文档之间的先后顺序关系(多个pair的排序问题),只考虑了两个文档的相对顺序,没有考虑文档在搜索列表中的位置。
  • Listwise排序学习(列表法):
    它是将每个Query对应的所有搜索结果列表作为一个训练样例
    根据训练样例训练得到最优评分函数F,对应新的查询,评分F对每个文档打分,然后根据得分由高到低排序,即为最终的排序结果

排序模型按照结构划分,可以分为线性排序模型、树模型、深度学习模型:
从早期的线性模型LR,到引入自动二阶交叉特征的FM和FFM,到非线性树模型GBDT和GBDT+LR,到最近全面迁移至大规模深度学习排序模型。

  • 线性排序模型:LR
  • 树模型:GBDT,GBDT+LR, LambdaMART
  • 深度学习模型: DeepFM,Wide&Deep, ListNet, AdaRank,SoftRank,LambdaRank等

Pointwise, Pairwise, Listwise三类方法

Pointwise排序学习中的基本LR模型:

  • 逻辑回归模型(Logistic Regression,LR)
  • 在实际信息流中,人对feed最简单就是两种行为,点击或者不点击,label分别标记为1和0
  • LR用于建模point-wise方式的数据,这种模型直接对标注好的point-wise数据,学习 P(y|x)或直接回归预测y
  • LR模型损失函数: J ( θ ) = − 1 N ∑ i = 1 w i ⋅ ( y i log ⁡ ( σ θ ( x i ) ) + ( 1 − y i ) log ⁡ ( 1 − σ θ ( x i ) ) ) J\left( \theta \right) = - \frac{1}{N}\sum\limits_{i = 1} {{w_i} \cdot \left( {{y_i}\log \left( {{\sigma _\theta }({x_i})} \right) + \left( {1 - {y_i}} \right)\log \left( {1 - {\sigma _\theta }({x_i})} \right)} \right)} J(θ)=N1i=1wi(yilog(σθ(xi))+(1yi)log(1σθ(xi)))
    wi为样本权重,yi为样本label σ θ ( x i ) = 1 1 + e − ( θ x + b ) {\sigma _\theta }({x_i}) = \frac{1}{{1 + {e^{ - \left( {\theta x + b} \right)}}}} σθ(xi)=1+e(θx+b)1

LR模型可解释性好,方便问题定位和查找,通过特征权重可以解释feed排序的得分,可以人工分析和判断模型参数是否合理。同时我们也可以用GBDT+LR进行预测,使用GBDT构造新特征,然后用LR将GBDT构造好的特征进行训练,因为对特征进行了组合,相当于用GBDT进行特征工程筛选特征组合后用LR进行预测后的效果一般要比单用LR好不少。

Pointwise排序学习(单点法)总结:

  • 将文档转化为特征向量,每个文档都是独立的
  • 对于某一个query,它将每个doc分别判断与这个query的相关程度
  • 将docs排序问题转化为了分类(比如相关、不相关)或回归问题(相关程度越大,回归函数的值越大)
  • 从训练数据中学习到的分类或者回归函数对doc打分,打分结果即是搜索结果,CTR可以采用Pointwise方式进行学习,对每一个候选item给出一个评分,基于评分进行排序
  • 仅仅考虑了query和doc之间的关系,而没有考虑排序列表中docs之间的关系
  • 主要算法:转换为回归问题,使用LR,GBDT,Prank, McRank

Pairewise排序学习(配对法)总结:

  • 比较流行的LTR学习方法,将排序问题转换为二元分类问题
  • 接收到用户査询后,返回相关文档列表,确定文档之间的先后顺序关系(多个pair的排序问题)
  • 对于同一查询的相关文档集中,对任何两个不同label的文档,都可以得到一个训练实例(di,dj),如果di>dj则赋值+1,反之-1
  • 没有考虑文档出现在搜索列表中的位置,排在搜索结果前面的文档更为重要,如果靠前的文档出现判断错误,代价会很高
  • 主要算法:SVM Rank,RankBoost(2003),RankNet(2007)

Listwise排序学习(列表法)总结:

  • 它是将每个Query对应的所有搜索结果列表作为一个训练样例
  • 根据训练样例训练得到最优评分函数F,对应新的查询,评分F对每个文档打分,然后根据得分由高到低排序,即为最终的排序结果
  • 直接考虑整体序列,针对Ranking评价指标(比如MAP, NDCG)进行优化
  • 主要算法:ListNet, AdaRank,SoftRank,LambdaRank, LambdaMART等
    LambdaMART是对RankNet和LambdaRank的改进,在 Yahoo Learning to Rank Challenge比赛中的冠军模型

评测指标

MAP

Mean Average Precision,平均准确率

  • 对于每个真实相关的文档,考虑其在模型排序结果中的位置 P,统计该位置之前的文档集合的分类准确率,取所有这些准确率的平均值。
    P @ k ( π , l ) = ∑ t ≤ k I { l π − 1 ( t ) = 1 } k P@k\left( {\pi ,l} \right) = \frac{{\sum\limits_{t \le k} {{I_{\{ {l_{{\pi ^{ - 1}}(t)}} = 1\} }}} }}{k} P@k(π,l)=ktkI{lπ1(t)=1}
    π \pi π代表documents list,即推送结果。 是指示函数
    => 前k个documents中,标签为1的documents个数与k的比值
    A P ( π , l ) = 1 m 1 ∑ k = 1 m P @ k ⋅ I { l π − 1 ( t ) = 1 } AP\left( {\pi ,l} \right) = \frac{1}{{{m_1}}}\sum\limits_{k = 1}^m {P@k \cdot } {I_{\{ {l_{{\pi ^{ - 1}}(t)}} = 1\} }} AP(π,l)=m11k=1mP@kI{lπ1(t)=1}
    m1代表查询出的真实标签为1的doc数量(label=1),m代表模型找出的前m个doc

假设有两个主题:主题1有4个相关网页,主题2有5个相关网页。
某系统对于主题1检索出4个相关网页,其rank分别为1, 2, 4, 7
对于主题2检索出3个相关网页,其rank分别为1,3,5
对于主题1,平均准确率为(1/1+2/2+3/4+4/7)/4=0.83
对于主题2,平均准确率为(1/1+2/3+3/5+0+0)/5=0.45
所以MAP=(0.83+0.45)/2=0.64

NDCG

CG(cumulative gain):

  • 累计增益,只考虑到了相关性,没有考虑到位置的因素 C G p = ∑ i = 1 p r e l i C{G_p} = \sum\limits_{i = 1}^p {re{l_i}} CGp=i=1preli
  • 比如针对Query,理想结果是c1,c2,c3,实际结果为c3,c2,c1,CG不变
    DCG(Discounted CG)
    折损累计增益,在每一个CG的结果上除以一个折损值,为了让排名靠前的结果能影响最后的结果
    排序越往后价值越低。到第i个位置的时候,价值是 1/log2(i+1),那么第i个结果产生的效益就是 reli * 1/log2(i+1),所以
    D C G p = ∑ i = 1 p r e l i log ⁡ 2 ( i + 1 ) DC{G_p} = \sum\limits_{i = 1}^p {\frac{{re{l_i}}}{{{{\log }_2}(i + 1)}}} DCGp=i=1plog2(i+1)reli
    IDCG(ideal DCG)
    理想情况下最大的DCG值:
    I D C G p = ∑ i = 1 ∣ R E L ∣ r e l i log ⁡ 2 ( i + 1 ) IDC{G_p} = \sum\limits_{i = 1}^{\left| {REL} \right|} {\frac{{re{l_i}}}{{{{\log }_2}(i + 1)}}} IDCGp=i=1RELlog2(i+1)reli
    |REL| 表示,结果按照相关性从大到小的顺序排序,取前p个结果组成的集合。也就是按照最优的方式对结果进行排序
    NDCG(Normalized DCG)
    归一化贴现累积收益,综合考虑模型排序结果和真实序列之间的关系,最终使用的排序指标
    DCG是一个累加的值,没法针对两个不同的搜索结果进行比较,需要归一化处理
    N D C G p = D C G p I D C G p NDC{G_p} = \frac{{DC{G_p}}}{{IDC{G_p}}} NDCGp=IDCGpDCGp

NDCG:
假设搜索回来的6个结果,其相关性分数(REL)分别是 3、2、3、0、1、2
累计增益 CG=3+2+3+0+1+2,只是对相关的分数进行了一个关联的打分,并没有召回的所在位置对排序结果评分对影响
计算DCG
在这里插入图片描述
DCG = 3+1.26+1.5+0+0.38+0.71 = 6.86

计算iDCG(理想情况下最大的DCG值)
假设实际召回了8个物品,还有两个结果,第7个相关性为3,第8个相关性为0。那么在理想情况下的相关性分数排序应该是:3、3、3、2、2、1、0、0。计算IDCG@6:
iDCG=3+1.89+1.5+0.86+0.77+0.35 = 8.37
在这里插入图片描述
所以最终的 NDCG@6 = 6.86/8.37 = 81.96%

MRR:

  • 平均倒数排名,Mean Reciprocal Rank
  • 把相关文档在结果中的排序倒数作为准确度,然后再取平均
  • 比如3次Query,第一次Query,查询结果将正确结果排名 rank 为 3,则其 Reciprocal Rank 为 1/3,对于第二个 Query,查询结果将正确结果排名 rank 为 2,则其 Reciprocal Rank 为 1/2,对于第三个 Query,查询结果将正确结果排名 rank 为 1,则其 Reciprocal Rank 为 1,则 MRR = (1/3 + 1/2 + 1)/3 = 11/18 = 0.61
  • 优点是计算简单,不足在于仅仅考虑了相关性最强的文档所在的位置带来的损失

排序算法

三种算法:RankNet,LambdaRank和LambdaMART,在Yahoo!Learning To Rank Challenge等比赛中表现出很好的排序效果

  • RankNet是基于神经网络的排序算法
  • 在RankNet的基础上加入了lambda梯度 => LambdaRank
  • lambda梯度和MART(GBDT也称为MART,梯度提升树)结合 => LambdaMart

RankNet排序算法

RankNet:

  • 目标就是对所有query,都能对doc结果按照相关性进行排序

  • 例如搜索页面返回了10条相关结果,人们的浏览顺序是从上到下的,因此排在上面的要比下面的相关

  • RankNet是基于神经网络的排序学习方法,依赖于每个文档对,定义了一个基于概率的损失函数,运用神经网络和梯度下降法试图最小化一个交叉熵损失函数,终极目标是得到一个带参数的得分函数: s = f ( x ; w ) s = f\left( {x;w} \right) s=f(x;w)

  • 根据这个函数,我们就可以求得 s i = f ( x i ; w ) s j = f ( x j ; w ) \begin{array}{l} {s_i} = f\left( {{x_i};w} \right)\\ {s_j} = f\left( {{x_j};w} \right) \end{array} si=f(xi;w)sj=f(xj;w)

  • 将输入query的特征向量x∈Rn映射为一个实数f(x)∈R

  • 采用pairwise的方法进行模型训练,对于给定query下的两个文档Ui和Uj,其特征向量分别为xi和xj,经过RankNet进行前向计算得到对应的分数为Si=f(xi)和Sj=f(xj)。用Ui⊳Uj表示Ui比Uj排序更靠前(如对某个query来说,Ui被标记为“good”,Uj被标记为“bad”)
    得到这个pair的偏序概率:
    在这里插入图片描述
    表示Ui应该比Uj排序更靠前的概率,Si-Sj为两两文档打分的差

  • 这个概率实际上就是深度学习中经常使用的sigmoid函数,参数σ决定sigmoid函数的形状。对于特定的query,定义Sij∈{0,±1}为文档i和文档j被标记的标签之间的关联,即
    在这里插入图片描述

    P i j ‾ = 1 2 ( 1 + S i j ) \overline {{P_{ij}}} = \frac{1}{2}\left( {1 + {S_{ij}}} \right) Pij=21(1+Sij)表示Ui应该比Uj排序更靠前的真实后验概率
    用交叉熵定义优化目标的损失函数:
    C = − P i j ‾ log ⁡ P i j − ( 1 − P i j ‾ ) log ⁡ ( 1 − P i j ) C = - \overline {{P_{ij}}} \log {P_{ij}} - \left( {1 - \overline {{P_{ij}}} } \right)\log \left( {1 - {P_{ij}}} \right) C=PijlogPij(1Pij)log(1Pij) P i j {P_{ij}} Pij表示模型预估的概率
    C = − P i j ‾ log ⁡ P i j − ( 1 − P i j ‾ ) log ⁡ ( 1 − P i j ) C = - \overline {{P_{ij}}} \log {P_{ij}} - \left( {1 - \overline {{P_{ij}}} } \right)\log \left( {1 - {P_{ij}}} \right) C=PijlogPij(1Pij)log(1Pij)
    P i j ‾ = 1 2 ( 1 + S i j ) \overline {{P_{ij}}} = \frac{1}{2}\left( {1 + {S_{ij}}} \right) Pij=21(1+Sij)
    带入后求得:
    C i j = − 1 2 ( 1 + S i j ) log ⁡ 1 1 + e − σ ( s i − s j ) − 1 2 ( 1 − S i j ) log ⁡ e − σ ( s i − s j ) 1 + e − σ ( s i − s j ) = − 1 2 ( 1 + S i j ) log ⁡ 1 1 + e − σ ( s i − s j ) − 1 2 ( 1 − S i j ) [ − σ ( s i − s j ) + log ⁡ 1 1 + e − σ ( s i − s j ) ] = 1 2 ( 1 − S i j ) σ ( s i − s j ) + log ⁡ ( 1 + e − σ ( s i − s j ) ) \begin{array}{l} {C_{ij}} = - \frac{1}{2}\left( {1 + {S_{ij}}} \right)\log \frac{1}{{1 + {e^{ - \sigma \left( {{s_i} - {s_j}} \right)}}}} - \frac{1}{2}\left( {1 - {S_{ij}}} \right)\log \frac{{{e^{ - \sigma \left( {{s_i} - {s_j}} \right)}}}}{{1 + {e^{ - \sigma \left( {{s_i} - {s_j}} \right)}}}}\\ = - \frac{1}{2}\left( {1 + {S_{ij}}} \right)\log \frac{1}{{1 + {e^{ - \sigma \left( {{s_i} - {s_j}} \right)}}}} - \frac{1}{2}\left( {1 - {S_{ij}}} \right)\left[ { - \sigma \left( {{s_i} - {s_j}} \right) + \log \frac{1}{{1 + {e^{ - \sigma \left( {{s_i} - {s_j}} \right)}}}}} \right]\\ = \frac{1}{2}\left( {1 - {S_{ij}}} \right)\sigma \left( {{s_i} - {s_j}} \right) + \log \left( {1 + {e^{ - \sigma \left( {{s_i} - {s_j}} \right)}}} \right) \end{array} Cij=21(1+Sij)log1+eσ(sisj)121(1Sij)log1+eσ(sisj)eσ(sisj)=21(1+Sij)log1+eσ(sisj)121(1Sij)[σ(sisj)+log1+eσ(sisj)1]=21(1Sij)σ(sisj)+log(1+eσ(sisj))
    所以:

RankNet损失函数C具有对称性,即交换i和j的位置,损失函数的值不变

  • 利用神经网络的反向传播对模型进行训练,使用损失函数对模型参数的求导,然后对模型参数进行迭代更新
  • 通过调整参数的取值来逼近损失函数的最小值
  • 采用SGD进行优化,对每一个pair对都会进行一次权重的更新
  • 采用mini-batch learning的方式,是对同一个query下的所有doc进行一次权重的更新。时间消耗从O(n2)降到了O(n) => 加速RankNet的学习过程
  • RankNet的训练数据为各查询下若干文档对,因此需针对文档对的输入去调整网络的权重

Ranklib

Ranklib:

  • 开源工具,集成多种排序学习方法
  • https://sourceforge.net/p/lemur/wiki/RankLib/
  • MART(GBDT)
  • RankNet
  • RankBoost
  • AdaRank
  • Coordinate Ascent
  • LambdaMART
  • ListNet
  • Random Forests
    Ranklib使用:
  • java -jar RankLib.jar
    在这里插入图片描述
    例如用使用Ranklib进行排序学习:
    训练数据:MQ2008/Fold1/train.txt
    测试数据:MQ2008/Fold1/test.txt
    验证数据:MQ2008/Fold1/vali.txt
    排名算法:6,LambdaMART
    评估指标:NDCG,取排名前 10 个数据进行计算
    测试数据评估指标:NDCG,取排名前 8 个数据进行计算
    保存模型:mymodel.txt
    java -jar RankLib-patched.jar -train MQ2008/Fold1/train.txt -test MQ2008/Fold1/test.txt -validate MQ2008/Fold1/vali.txt -ranker 6 -metric2t NDCG@10 -metric2T NDCG@8 -save mymodel.txt
  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
learn to rankLTR算法是一种用于排序任务的机器学习方法。它的目标是根据给定的查询和候选项对它们进行排序,以便在搜索引擎、推荐系统等领域中提供最相关的结果。 LTR算法的代码可以分为几个主要步骤: 1. 数据准备:首先,需要准备用于训练和评估的数据集。数据集通常包含一组查询、对应的候选项和相关性标签。查询和候选项可以使用文本表示,相关性标签可以用数值表示。 2. 特征提取:对于每个查询和候选项对,需要从中提取一些特征。特征可以包括文本相似度、关键词匹配度、位置信息等。根据具体问题和数据集的特点,可以选择不同的特征。 3. 特征工程:在特征提取之后,可能需要进行一些额外的特征处理工作,比如特征归一化、特征选择等。这个步骤有助于提高模型的性能和效果。 4. 模型构建:根据具体需求和问题,可以选择不同的学习模型构建LTR模型。常用的模型包括基于回归的模型(如线性回归、逻辑回归)、树模型(如GBDT、随机森林)以及神经网络模型(如深度学习模型)等。根据模型的类型和库的不同,可以使用相应的库和工具构建模型。 5. 模型训练:使用训练数据集对LTR模型进行训练。训练过程通常涉及模型参数的优化和调整,以最大化相关性标签和模型预测之间的一致性。 6. 模型评估:使用评估数据集对训练后的LTR模型进行性能评估。常用的评估指标包括排序指标(如NDCG)、相关性评估指标(如均方根误差)等。 7. 模型应用:训练好的LTR模型可以应用于实际场景中,进行排序任务。可以根据查询和候选项的特征,使用训练好的模型为它们进行排序,并输出最相关的结果。 总之,LTR算法的代码包括数据准备、特征提取、特征工程、模型构建、模型训练、模型评估和模型应用等步骤。具体的实现方式会因问题和需求的不同而有所差异。以上是LTR算法代码的基本描述,具体实现可以参考相关的机器学习库和文档。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值