Lightgbm排名示例

Question

任何人都可以分享一个关于如何使用 lightgbm 训练排名模型的最小数据示例吗？最好使用 Scikit-Lean api？我正在努力解决的是如何传递标签数据。我的数据是页面展示次数，如下所示：

X:
user1, feature1, ...
user2, feature1, ...

y:
user1, page1, 10 impressions
user1, page2, 6 impressions
user2, page1, 9 impressions

到目前为止我想我已经明白了

• 我的训练数据的长度必须是上面 y (3) 的长度：每个（用户，页面）组一行。
• groupscikit-klearn api（set_group()在标准 api 中）中的参数是一个 length 列表set(user_ids)，其中每个条目是该用户访问过的不同页面的数量。在上面的例子中，那就是 (2, 1)。该列表的总和等于我的训练集的长度。

但是我如何给出对于 user1 来说，page1 的访问频率高于 page2 的信息呢？

Answer 1

以下是我如何使用 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]

该数据集的结构很重要。在学习对任务进行排名时，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，每个查询 10 行。这些查询的长度也可以是可变的。

现在，对于每个查询，我们都有一些变量，并且我们还获得了相关性。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 行集）的任务，我想创建一个模型，为相关性为 1 的 2 行分配更高的相关性。

不管怎样，我们继续设置 LightGBM。我将数据集分为训练集和验证集，但您可以做任何您想做的事情。我建议在训练期间至少使用 1 个验证集。

     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]

现在这可能就是您所陷入的困境。我们为每个数据帧创建这 3 个向量/矩阵。这X_train是独立变量的集合，因此是模型的输入数据。y_train是你的因变量，你想要预测/排名的变量。最后，qids_train你是否查询id。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 数组也可以工作。

正如您所看到的，它们指示每个查询的长度。如果您的查询的长度可变，那么此列表中的数字也会不同。在我的示例中，所有查询的长度都相同。

我们对验证集执行完全相同的操作，然后准备开始 LightGBM 模型设置和训练。我使用 SKlearn API，因为我熟悉该 API。

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"]

我在这里只使用了最少量的参数。请随意查看 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，我们对模型调用 f​​it 函数。这里我们指定需要 NDCG@10，并希望函数每 10 次迭代打印一次结果。

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])

它开始训练并打印：

[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

我希望我能用这个简单的例子充分说明这个过程。如果您还有任何疑问，请告诉我。