前言
最近在做搜索排序的一个项目,要使用到排序算法,因此对learning to rank做了一番调研。Learning to rank分为三大类:pointwise,pairwise,listwise。其中pointwise和pairwise相较于listwise还是有很大区别的,如果用xgboost实现learning to rank 算法,那么区别体现在listwise需要多一个queryID来区别每个query,并且要setgroup来分组。而pointwise和pairwise则不用那么麻烦,直接传入类似于分类或者回归的特征即可,只需要把objective参数设置为rank:pairwise即可用xgboost来实现了。
xgboost实现pairwise算法
下面是实现的代码:
import xgboost as xgb
model = xgb.sklearn.XGBClassifier(
nthread=20,
learn_rate=0.1,
max_depth=15,
min_child_weight=2,
subsample=0.8,
colsample_bytree=1,
objective='rank:pairwise',
n_estimators=300,
gamma=0,
reg_alpha=0,
reg_lambda=1,
max_delta_step=0,
scale_pos_weight=1
)
watchlist = [(X_train, y_train), (X_test, y_test)]
model.fit(X_train, y_train, eval_set=watchlist, eval_metric='ndcg', early_stopping_rounds=10)
其中XGBClassifier也可以换成XGBRegressor,它俩都能实现pairwise,区别就是之后预测的时候要选择的预测函数不同,XGBClassifier要选择predict_proba,根据得到的概率来排序,而XGBRegressor直接使用predict即可得到分数来排序。还有就是优化的是ndcg(当然也可以是ndcg@k,ndcg-,map,map@k)。xgboost简直是神器,排序问题也可以轻松解决。
调参
模型训练完成之后,接下来就是算法工程师最重要的工作了:调参!!!。
调参呢,可以考虑使用sklearn中集成的GridsSearchCV或者是RandomizedSearchCV。这两种方法的区别前者是在给定的参数范围内穷举所有情况,后者是在参数范围内随机挑选参数,这一点前人已经讲的很多了,在这里就不再赘述了。还有一点就是效率问题,如果数据集稍大一些,那么绝对不要用GridSearchCV,慢的要死人的,RandomizedSearchCV则快很多,而且效果基本差不多。
下面是调参的代码实现:
from sklearn.metrics import make_scorer
def _to_list(x):
if isinstance(x, list):
return x
return [x]
def ndcg(y_true, y_pred, k=20, rel_threshold=0):
if k <= 0:
return 0
y_true = _to_list(np.squeeze(y_true).tolist())
y_pred = _to_list(np.squeeze(y_pred).tolist())
c = list(zip(y_true, y_pred))
random.shuffle(c)
c_g = sorted(c, key=lambda x: x[0], reverse=True)
c_p = sorted(c, key=lambda x: x[1], reverse=True)
idcg = 0
ndcg = 0
for i, (g, p) in enumerate(c_g):
if i >= k:
break
if g > rel_threshold:
idcg += (math.pow(2, g) - 1) / math.log(2 + i)
for i, (g, p) in enumerate(c_p):
if i >= k:
break
if g > rel_threshold:
ndcg += (math.pow(2, g) - 1) / math.log(2 + i)
if idcg == 0:
return 0
else:
return ndcg / idcg
ndcg_score = make_scorer(ndcg)
parameters = {
'max_depth': [4, 6, 8, 10, 15],
'learn_rate': [0.01, 0.02, 0.05, 0.1, 0.15],
'n_estimators': [100, 300, 500, 1000],
'min_child_weight': [0, 2, 5, 10, 20],
'subsample': [0.6, 0.7, 0.8, 0.85, 0.95],
'colsample_bytree': [0.5, 0.6, 0.7, 0.8, 0.9]
}
model = xgb.sklearn.XGBClassifier(
nthread=20,
silent=False,
learn_rate=0.1,
max_depth=6,
min_child_weight=3,
subsample=0.7,
colsample_bytree=0.7,
objective='binary:logistic',
n_estimators=10
)
gsearch = RandomizedSearchCV(model, param_distributions=parameters, scoring=ndcg_score, cv=3)
print('gridsearchcv fit begin...')
gsearch.fit(X_train, y_train)
print('Best score: {}'.format(gsearch.best_score_))
print('Best parameters set: {}'.format(gsearch.best_estimator_.get_params()))
其中有三个要注意的点。第一,注意到RandomizedSearchCV的scoring参数使用的是自定义的ndcg函数,从sklearn文档中查到0.20.0版本中封装了ndcg函数,但是我用的时候报错,只好自定义了ndcg函数(大家也可以自定义其他的函数);第二,我调参的时候只选了几个较为重要的参数进行了调整,这个还看大家自己选择;第三,nthread参数最好不要选择默认值,因为默认使用全部的核,这样极其耗费CPU,能把CPU资源占满,如果调参是在公司的服务器上,嗯。。。,这样就比较危险了。调参完毕后会打印出最优的参数,然后用这些最优参数就可以训练得到一个效果相对较好的模型啦。
写在最后
在用xgboost的pairwise方法实现排序的时候,我在想能不能用xgboost的分类模型解决排序算法呢,因为二分类的predict_proba函数会输出样本分别为正或者负的概率,根据是正样本的概率也可以完成排序呀,过两天会在线上做下ABtest,结果出来之后再来给出结论。