TF-Ranking：用于学习排序的可扩展TensorFlow库
信息检索
2019-05-20 v2
摘要
学习排序涉及最大化呈现给用户的示例列表的效用，其中相关性更高的项目被优先考虑。它在实际应用中有多种用途，例如大规模搜索、推荐系统、文档摘要和问答。尽管对基于分类和回归的学习有广泛支持，但深度学习中对学习排序的支持一直有限。我们提出了TensorFlow Ranking，这是第一个用于在深度学习框架中解决大规模排序问题的开源库。它具有高度可配置性，并提供易于使用的API，以支持学习排序设置中的不同评分机制、损失函数和评估指标。我们的库基于TensorFlow开发，因此可以充分利用该平台的优势。例如，它在训练和推理方面都具有高度可扩展性，可用于在大量用户活动数据上学习排序模型，这些数据可以包含异构的稠密和稀疏特征。我们通过实验证明了我们的库在Gmail和Google Drive中为大规模搜索和推荐应用学习排序函数的有效性。我们还表明，使用我们的模型构建的排序模型在分布式训练中具有良好的可扩展性，而对指标没有显著影响。该库已向开源社区提供，希望它能促进学习排序领域的进一步学术研究和工业应用。
引用
@article{arxiv.1812.00073,
title = {TF-Ranking: Scalable TensorFlow Library for Learning-to-Rank},
author = {Rama Kumar Pasumarthi and Sebastian Bruch and Xuanhui Wang and Cheng Li and Michael Bendersky and Marc Najork and Jan Pfeifer and Nadav Golbandi and Rohan Anil and Stephan Wolf},
journal= {arXiv preprint arXiv:1812.00073},
year = {2019}
}
备注
KDD 2019