xgboost实现learning to rank算法以及调参

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。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容