發(fā)布人：Google Research 軟件工程師 Michael Bendersky 和 Xuanhui Wang

2018 年 12 月，我們推出了 TF-Ranking，這是一個基于 TensorFlow 的開源代碼庫，用于開發(fā)可擴容的 learning-to-rank （LTR） 神經(jīng)模型。當用戶期望收到有序的項目列表來輔助查詢時，該模型可以發(fā)揮出色作用。LTR 模型與一次只對一個項目進行分類的標準分類模型不同，它會將整個項目列表接收輸入，并學習排序，充分提升整個列表的效用。

TF-Ranking

https://github.com/tensorflow/ranking

雖然 LTR 模型最常用于搜索和推薦系統(tǒng)，但自其發(fā)布以來，我們已經(jīng)看到 TF-Ranking 在除搜索以外的各領域，均有應用，其中包括電子商務、SAT 求解器和智能城市規(guī)劃等。

Learning-to-rank （LTR） 的目標是學習一個函數(shù) f（），該函數(shù)會以項目列表（文件、產(chǎn)品、電影等）作為輸入，并以最佳排序（相關性降序）輸出項目列表。上圖中，深淺不一的綠色表示項目的相關性水平，標有 “x” 的紅色項目是不相關的

電子商務

https://dl.acm.org/doi/abs/10.1145/3308560.3316603

SAT 求解器

https://arxiv.org/abs/1904.12084

智能城市規(guī)劃

https://dl.acm.org/doi/abs/10.1145/3450267.3450538

2021 年 5 月，我們發(fā)布了 TF-Ranking 的一個重要版本，實現(xiàn)了全面支持使用 Keras（TensorFlow 2 的一個高階 API），以原生方式構建 LTR 模型。我們?yōu)樵?Keras 排序模型加入了全新的工作流設計，其中包括靈活的 ModelBuilder、用于設置訓練數(shù)據(jù)的 DatasetBuilder， 以及利用給定數(shù)據(jù)集訓練模型的 Pipeline。有了這些組件，構建自定義 LTR 模型會比以往更輕松，且有利于快速探索、生產(chǎn)和研究的新的模型結構。如果您選擇的工具是 RaggedTensors，TF-Ranking 現(xiàn)在也可以和這些工具協(xié)作。

重要版本

https://github.com/tensorflow/ranking/releases/tag/v0.4.0

TensorFlow 2

http://tensorflow.google.cn/

也

https://github.com/tensorflow/ranking/blob/master/tensorflow_ranking/examples/keras/antique_ragged.py

此外，我們在最新版本中結合了 Orbit 訓練庫，其中包含了許多進展成果，而這些成果正是近兩年半內，神經(jīng) LTR 研究結晶。下面我們分享一下 TF-Ranking 最新版本中的一些重要改進。

構建和訓練原生 Keras 排序模型的工作流。藍色模塊由 TF-Ranking 提供，綠色模塊支持自定義

最新版本

https://github.com/tensorflow/ranking/releases/tag/v0.4.2

Orbit

https://github.com/tensorflow/models/tree/master/orbit

利用 TFR-BERT 的

Learning-to-Rank

最近，BERT 之類的預訓練語言模型在各種語言理解任務中性能表現(xiàn)突出。為利用這些模型，TF-Ranking 實現(xiàn)了一個新穎的 TFR-BERT 架構——通過結合 BERT 與 LTR 的優(yōu)勢，來優(yōu)化列表輸入的排序過程。舉個例子，假設有一個查詢和一個由 n 個文件組成的列表，而人們想要在對此查詢響應中的文件進行排序。LTR 模型并不會為每個 《query， document》 學習獨立的 BERT 表示，而是會應用一個排序損失來共同學習 BERT 表示，充分提升整個排序列表相對于參照標準標簽的效用。

這個過程如下圖所示。首先，我們把查詢響應中需要排序的 n 個文件組成的列表扁平化為一個 《query， document》 元組列表。把這些元組反饋至預訓練的語言模型（例如 BERT）。然后用 TF-Ranking 中的專用排序損失，對整個文件列表的池化 BERT 輸出進行聯(lián)合微調。

排序損失

https://github.com/tensorflow/ranking/blob/master/tensorflow_ranking/python/losses.py

結果表明，這種 TFR-BERT 架構在預訓練的語言模型性能方面有了明顯改善，因此，可以在執(zhí)行多個熱門排序任務時體現(xiàn)出十分優(yōu)越的性能。若將多個預訓練的語言模型組合在一起，則效果更為突出。我們的用戶現(xiàn)在可以通過這個簡單的例子完成 TFR-BERT 入門。

TFR-BERT 架構的說明，在這個架構中，通過使用單個 《query， document》 對的 BERT 表示，在包含 n 個文件的列表上構建了一個聯(lián)合 LTR 模型

多個熱門

https://arxiv.org/abs/2010.00200

簡單的例子

https://github.com/tensorflow/ranking/blob/master/tensorflow_ranking/examples/keras/tfrbert_antique_train.py

具有可解釋性的

Learning-to-Rank

透明度和可解釋性是在排序系統(tǒng)中部署 LTR 模型的重要因素，在貸款資格評估、廣告定位或指導醫(yī)療決定等過程中，用戶可以利用這些系統(tǒng)來確定結果。在這種情況下，每個單獨的特征對最終排序的貢獻應具有可檢查性和可理解性，以此確保結果的透明度、問責制和公正性。

實現(xiàn)這一目標的可用方法之一是使用廣義加性模型 （Generalized additive model，GAM），這是一種具有內在可解釋性的機器學習模型，由唯一特征的平滑函數(shù)線性組合而成。然而，我們雖然已經(jīng)在回歸 （Regression analysis） 和分類任務方面對 GAM 進行了廣泛的研究，但將其應用于排序設置的方法卻并不明確。舉個例子，雖然可以直接利用 GAM 對列表中的每個單獨項目進行建模，然而對項目的相互作用和這些項目的排序環(huán)境進行建模，仍是一個更具挑戰(zhàn)性的研究問題。為此，我們開發(fā)了神經(jīng)排序 GAM，這是可為排序問題的廣義加性模型所用的擴展程序。

神經(jīng)排序 GAM

https://arxiv.org/abs/2005.02553

與標準的 GAM 不同，神經(jīng)排序 GAM 可以同時考慮到排序項目和背景特征（例如查詢或用戶資料），從而得出一個可解釋的緊湊模型。這同時確保了各項目級別特征與背景特征的貢獻具有可解釋性。例如，在下圖中，使用神經(jīng)排序 GAM 可以看到在特定用戶設備的背景下，距離、價格和相關性是如何對酒店最終排序作出貢獻的。目前，神經(jīng)排序 GAM 現(xiàn)已作為 TF-Ranking 的一部分發(fā)布。

為本地搜索應用神經(jīng)排序 GAM 的示例。對于每個輸入特征（例如價格、距離），子模型會產(chǎn)生可以檢查的子分數(shù)，支持公開查看。背景特征（例如用戶設備類型）可以用于推算子模型的重要性權重

發(fā)布

https://github.com/tensorflow/ranking/issues/202

神經(jīng)排序還是梯度提升？

神經(jīng)模型雖然在多個領域展現(xiàn)出了十分優(yōu)越的性能，但 LambdaMART 之類的專門梯度提升決策樹 （Gradient Boosted Decision Trees， GBDT） 仍然是利用各種開放 LTR 數(shù)據(jù)集時的性能標桿。GBDT 在開放數(shù)據(jù)集中的成功可歸結于幾個原因。首先，由于其規(guī)模相對較小，神經(jīng)模型在這些數(shù)據(jù)集上容易過度擬合 （Overfitting）。其次，由于 GBDT 使用決策樹對其輸入特征空間進行劃分，它們自然更能適應待排序數(shù)據(jù)的數(shù)值尺度變化，這些數(shù)據(jù)通常包含具有 Zipfian （Zipf‘s law） 或其他偏斜分布的特征。然而，GBDT 在更為現(xiàn)實的排序場景中確實有其局限性，這些場景往往同時包含文本和數(shù)字特征。舉個例子，GBDT 不能直接應用于像原始文檔文本這種，較大的離散特征空間。一般來說，它們的可擴容性也要弱于神經(jīng)排序模型。

因此，自 TF-Ranking 發(fā)布以來，我們團隊大大加深了對于神經(jīng)模型在數(shù)字特征排序中優(yōu)勢的理解。。最能充分體現(xiàn)出這種理解的是，ICLR 2021 的一篇論文中所描述的數(shù)據(jù)增強自覺潛在交叉 （DASALC） 模型，該模型首次在開放 LTR 數(shù)據(jù)集上建立了與強大的、與 LambdaMART 基線相同的神經(jīng)排序模型，并且在某些方面取得了統(tǒng)計學上的重大改進。這一成就是通過各種技術的組合實現(xiàn)的，其中包括數(shù)據(jù)增強、神經(jīng)特征轉換、用于建模文檔交互的自注意機制、列表式排序損失，以及類似 GBDT 中用于提升的模型組合。現(xiàn)在 DASALC 模型的架構完全由 TF-Ranking 庫實現(xiàn)。

ICLR 2021

https://research.google/pubs/pub50030/

結論

總而言之，我們相信基于 Keras 的 TF-Ranking 新版本能夠讓開展神經(jīng) LTR 研究和部署生產(chǎn)級排序系統(tǒng)變得更加輕松。我們鼓勵大家試用最新版本，并按照這個引導例子進行實踐體驗。雖然這個新版本讓我們感到非常激動，但我們的研發(fā)之旅遠未結束，所以我們將繼續(xù)深化對 learning-to-rank 問題的理解，并與用戶分享這些進展。

最新版本

https://github.com/tensorflow/ranking/releases/tag/v0.4.0

這個引導例子

https://github.com/tensorflow/ranking/blob/master/tensorflow_ranking/examples/keras/keras_dnn_tfrecord.py

致謝

本項目的實現(xiàn)離不開 TF-Ranking 團隊的現(xiàn)任和前任成員：Honglei Zhuang、?Le Yan、Rama Pasumarthi、Rolf Jagerman、Zhen Qin、Shuguang Han、Sebastian Bruch、Nathan Cordeiro、Marc Najork 和 Patrick McGregor。另外要特別感謝 Tensorflow 團隊的協(xié)作者：Zhenyu Tan、Goldie Gadde、Rick Chao、Yuefeng Zhou?、Hongkun Yu 和 Jing Li。

責任編輯：haq