说到learning to rank,大家应该都比较熟悉,但是说到用XGB做learning to rank,很少有人实现过.举个例子,比方说赛马,我们可以基于马的个头,体重,历史战绩等信息,建立XGB模型,进行二分类,最后选择赢的概率最高的马.这样做并没有问题,但是考虑到马是否能跑赢,和对手紧密相关,不管我选的马能力如何,只要他能跑赢同场比赛其他马即可,这就是排序.
Learning To Rank
学习排序其实也是有监督学习的一部分,和多分类和回归模型相比,我们并不是要预估一条样本的概率,而是预估很多个样本点的顺序.排序经常被用于搜索引擎,还有一些购物建议.在搜索框里搜任何一条query,top 3展示的一定是最相关的,越往后翻页相关度越低.
回到XGBoost,有3个目标函数,Point Wise,Pairwise和Listwise,这3种方法都可以用来排序,每个方法都有其优缺点.对于pointwise而言,每次仅仅考虑一个样本,预估的是每一条和query的相关性,基于此进行排序.Pairwise是每次取一对样本,预估这一对样本的先后顺序,不断重复预估一对对样本,从而得到某条query下完整的排序.Listwise同时考虑多个样本,找到最优顺序.
Point Wise虽然简单,但是存在不少问题.比如说赛马场景,马的输赢取决于对手.再比如搜索场景,我们确实可以预估每个query到每个document的点击率做为排序依据,但是点击率要考虑rank,例如排的越靠前的document点击率上占据优势,这些point-wise模型很难考虑进去.基于此,我们需要做learning to rank的模型.
建模
首先要明确的是训练数据,训练数据必须包含一列query id,该id下指明哪些样本要放到一起进行排序.同时特别需要注意的是,在训练集和测试集进行拆分时,需要按query id进行分割,如果直接随机拆分,同一个query id下的数据就会被分开,这样会导致模型出问题.我们可以用如下代码进行拆分.
代码语言：javascript复制from sklearn.model_selection import GroupShuffleSplit
gss = GroupShuffleSplit(test_size=.40,
n_splits=1,
random_state = 7)
.split(df, groups=df['query_id'])
X_train_inds, X_test_inds = next(gss)
train_data= df.iloc[X_train_inds]
X_train = train_data.loc[:, ~train_data.columns.isin(['id','rank'])]
y_train = train_data.loc[:, train_data.columns.isin(['rank'])]
# 模型需要输入按query_id排序后的样本
# 并且需要给定每个query_id下样本的数量
groups = train_data.groupby('id').size().to_frame('size')['size'].to_numpy()
test_data= df.iloc[X_test_inds]
#We need to keep the id for later predictions
X_test = test_data.loc[:, ~test_data.columns.isin(['rank'])]
y_test = test_data.loc[:, test_data.columns.isin(['rank'])]我们的数据格式应该如下所示,如果数据长这样,那么我们上述代码中的groups就是[3, 4]:
然后我们就可以建模了,可以用XGBRanker训练排序模型,在这个场景下,我们无法自定义objective,也无法自定义mertic了.
代码语言：javascript复制import xgboost as xgb
model = xgb.XGBRanker(
tree_method='gpu_hist',
booster='gbtree',
objective='rank:pairwise',
random_state=42,
learning_rate=0.1,
colsample_bytree=0.9,
eta=0.05,
max_depth=6,
n_estimators=110,
subsample=0.75
)
model.fit(X_train, y_train, group=groups, verbose=True)训练完后我们就可以进行预估,因为预估方法并不会输入groups,所以我们需要做一些特殊处理:
代码语言：javascript复制def predict(model, df):
return model.predict(df.loc[:, ~df.columns.isin(['id'])])
predictions = (data.groupby('id')
.apply(lambda x: predict(model, x)))这里选择了"rank:pairwise"作为loss,看官方文档还有其他rank loss可供尝试:
pair wise 方法相比pointwise有优势，可以学习到一些顺序。但是pairwise也有缺点：
1.只能给出排序,并不能给出有多好,好多少.比如在搜索场景下,可能一条与query相关的doc都没,pointwise可以通过卡阈值得到这个信息,但是rank方式就不能区分.
2.当一个query下有很多doc，会产生大量的pairs。
3.对噪声的label 非常敏感。
感兴趣的赶紧尝试起来吧!
