开源TF-Ranking可扩展库，支持多种排序学习

最近，谷歌新开源了可扩展的TensorFlow库TF-Ranking，可用于学习排序。所谓学习排序，也就是对项目列表进行排序，从而将整个功能最大化的过程。TF-Ranking中有一套完整的学习排序的算法，包含成对或列表损失函数、多项目评分、排名度量优化和无偏见的学习排名。

谷歌在官方博客表示，TF-Ranking在创建高质量排名模型时速度快且易于使用，这套统一的框架能帮助ML研究人员、从业者和爱好者能够在单个库中评估和选择一系列不同的排名模型。

谷歌还提供了灵活的API，用户可以在其中定义和插入自己的自定义损失函数、评分函数和衡量标准，开发自己的自定义模型。

支持现有算法和衡量标准

TF-Ranking的适用性很广，既可支持目前广泛使用的排序学习算法，还能通过嵌入和扩展到数亿个训练示例来处理稀疏特征。

TF-Ranking支持许多常用的排名衡量标准，包括平均倒数排名（MRR）和NDCG，还可以在TensorBoard（开源TensorFlow可视化仪表板）上显示这些标准。

多项评分

TF-Ranking支持与以往不同的评分机制，比如，可以挑战一把多项目评分。这是此前的一个难以进行推理的行业瓶颈。

TF-Ranking提供的List-In-List-Out（LILO）API能将所有这些逻辑包装在导出的TensorFlow模型中。

研究人员在论文中介绍说，让TF-Rankin在公共LETOR基准测试中进行多项目评分，进而与RankNet、MART和LambdaMART等最先进的学习模型相比，TF-Rankin具有竞争力。

优化排名标准

学习排名中的一个重要研究挑战是排名标准的直接优化。在TF-Ranking中，研究人员提出了一种新方法LambdaLoss，是为排名标准优化准备的概率框架。

在此框架中，可以通过期望最大化过程来设计和优化标准驱动的损失函数。

除了上述特征外，研究人员最后再次强调， TF-Ranking也是一个无偏见的排序学习库。

这篇新博客就酱，对TF-Ranking感兴趣的话，可进一步探索以下官方资料：

传送门

博客地址： https://ai.googleblog.com/2018/12/tf-ranking-scalable-tensorflow-library.html

论文地址： https://arxiv.org/abs/1812.00073代码地址：

https://github.com/tensorflow/ranking

教程地址： https://github.com/tensorflow/ranking/tree/master/tensorflow_ranking/examples