python - 如何使用lightgbm实现学习排名？

Question

我正在尝试设置学习排名 lightgbm ，我有以下数据集，其中包含基于查询的用户交互:

df = pd.DataFrame({'QueryID': [1, 1, 1, 2, 2, 2], 
                   'ItemID': [1, 2, 3, 1, 2, 3], 
                   'Position': [1, 2 , 3, 1, 2, 3], 
                   'Interaction': ['CLICK', 'VIEW', 'BOOK', 'BOOK', 'CLICK', 'VIEW']})

问题是正确设置训练数据集？文档提到使用 Dataset.set_group()但它不是很清楚如何。

Answer 1

我把这个例子作为对 another question 的回答，即使它没有专门解决原始问题，但我希望它仍然有用!
这是我如何使用 LightGBM LambdaRank。
首先我们导入一些库并定义我们的数据集

import numpy as np
import pandas as pd
import lightgbm

df = pd.DataFrame({
    "query_id":[i for i in range(100) for j in range(10)],
    "var1":np.random.random(size=(1000,)),
    "var2":np.random.random(size=(1000,)),
    "var3":np.random.random(size=(1000,)),
    "relevance":list(np.random.permutation([0,0,0,0,0, 0,0,0,1,1]))*100
})

这是数据框:

     query_id      var1      var2      var3  relevance
0           0  0.624776  0.191463  0.598358          0
1           0  0.258280  0.658307  0.148386          0
2           0  0.893683  0.059482  0.340426          0
3           0  0.879514  0.526022  0.712648          1
4           0  0.188580  0.279471  0.062942          0
..        ...       ...       ...       ...        ...
995        99  0.509672  0.552873  0.166913          0
996        99  0.244307  0.356738  0.925570          0
997        99  0.827925  0.827747  0.695029          1
998        99  0.476761  0.390823  0.670150          0
999        99  0.241392  0.944994  0.671594          0

[1000 rows x 5 columns]

这个数据集的结构很重要。在学习对任务进行排序时，您可能会使用一组查询。这里我定义了一个 1000 行的数据集，有 100 个查询，每行 10 行。这些查询也可以是可变长度的。
现在对于每个查询，我们都有一些变量，我们也得到了相关性。我在这里使用了数字 0 和 1，所以这基本上是对于每个查询(10 行的集合)的任务，我想创建一个模型，将更高的相关性分配给具有 1 相关性的 2 行。
不管怎样，我们继续设置 LightGBM。我将数据集拆分为训练集和验证集，但您可以随心所欲。我建议在训练期间至少使用 1 个验证集。

train_df = df[:800]  # first 80%
validation_df = df[800:]  # remaining 20%

qids_train = train_df.groupby("query_id")["query_id"].count().to_numpy()
X_train = train_df.drop(["query_id", "relevance"], axis=1)
y_train = train_df["relevance"]

qids_validation = validation_df.groupby("query_id")["query_id"].count().to_numpy()
X_validation = validation_df.drop(["query_id", "relevance"], axis=1)
y_validation = validation_df["relevance"]

现在这可能是你被困的事情。我们为每个数据帧创建这 3 个向量/矩阵。 X_train是独立变量的集合，因此是模型的输入数据。 y_train是您的因变量，即您要预测/排名的变量。最后， qids_train你是查询id吗？它们看起来像这样:

array([10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10])

这也是 X_train :

         var1      var2      var3
0    0.624776  0.191463  0.598358
1    0.258280  0.658307  0.148386
2    0.893683  0.059482  0.340426
3    0.879514  0.526022  0.712648
4    0.188580  0.279471  0.062942
..        ...       ...       ...
795  0.014315  0.302233  0.255395
796  0.247962  0.871073  0.838955
797  0.605306  0.396659  0.940086
798  0.904734  0.623580  0.577026
799  0.745451  0.951092  0.861373

[800 rows x 3 columns]

这是 y_train :

0      0
1      0
2      0
3      1
4      0
      ..
795    0
796    0
797    1
798    0
799    0
Name: relevance, Length: 800, dtype: int64

请注意，它们都是 Pandas 数据帧，LightGBM 支持它们，但是 numpy 数组也可以使用。
如您所见，它们指示每个查询的长度。如果您的查询是可变长度的，那么此列表中的数字也会有所不同。在我的示例中，所有查询的长度都相同。
我们对验证集做完全相同的事情，然后我们准备开始 LightGBM 模型设置和训练。我使用 SKlearn API，因为我熟悉那个。

model = lightgbm.LGBMRanker(
    objective="lambdarank",
    metric="ndcg",
)

我在这里只使用最少量的参数。随意查看 LightGBM 文档并使用更多参数，它是一个非常强大的库。
为了开始训练过程，我们调用模型上的拟合函数。这里我们指定我们想要 NDCG@10，并希望函数每 10 次迭代打印一次结果。

model.fit(
    X=X_train,
    y=y_train,
    group=qids_train,
    eval_set=[(X_validation, y_validation)],
    eval_group=[qids_validation],
    eval_at=10,
    verbose=10,
)

开始训练并打印:

[10]    valid_0's ndcg@10: 0.562929
[20]    valid_0's ndcg@10: 0.55375
[30]    valid_0's ndcg@10: 0.538355
[40]    valid_0's ndcg@10: 0.548532
[50]    valid_0's ndcg@10: 0.549039
[60]    valid_0's ndcg@10: 0.546288
[70]    valid_0's ndcg@10: 0.547836
[80]    valid_0's ndcg@10: 0.552541
[90]    valid_0's ndcg@10: 0.551994
[100]   valid_0's ndcg@10: 0.542401

我希望我可以用这个简单的例子充分说明这个过程。如果您还有任何问题，请告诉我。