preface：最近所忙的任务需要用到排序，同仁提到SVMrank这个工具，好像好强大的样纸，不过都快十年了，还有其他ranklib待了解。
原文链接：SVMrank，百度搜索svm rank即可。
SVMrank
计算机系
版本号：1.00
日起：2009年3月21
总览
根据[Joachims, 2002c]论文中定义了，svm_rank是SVMstruct的一种实例，用于有效地训练排名。SVM_rank使用"-z p"参数，可以解决跟SVMlight同样的最优化问题，并且更快。在LETOR 3.0数据集上，需要花费约1秒钟的时间训练任何数据集（在任意折交叉验证中）。在[Joachims, 2006]论文中提到，用于解决二次规划问题的算法是ROC面积优化算法的扩展，为了排序使用了SVMstruct中的一种。然而，因为我不想在SVMrank上花费一下午编程，我只能实现一个简单的数据库排序，一个平方次数量上的排序(不是[Joachims, 2006]论文中描述的O(k*logk)时间内解决的）。使用[Herbrich et al, 1999]论文中提到的回归排序，虽然算法的实现不是很容易，但它仍然是最快的小型排序（比如说k<1000），并且和排名的数量成线性比(比如查询操作)。
源代码
这些程序免费为科学家使用。如果你想基于商业目的使用程序，请联系我，该软件不能在未经作者的事先许可使用。如果在您的科研工作使用SVMrank，请引作：
- T. Joachims, Training Linear SVMs in Linear Time, Proceedings of the ACM Conference on Knowledge Discovery and Data Mining (KDD), 2006. [Postscript (gz)] [PDF]
软件基于linux系统下，使用gcc编译，但同时也可以在Solaris,Cygwin,Windows(使用MinGW)和Mac下使用。源代码可以通过以下链接下载：
http://download.joachims.org/svm_rank/current/svm_rank.tar.gz
如果你想要通过二进制文件使用，你可以通过在以下系统中分别下载它们：
- Linux (32-bit): http://download.joachims.org/svm_rank/current/svm_rank_linux32.tar.gz
- Linux (64-bit): http://download.joachims.org/svm_rank/current/svm_rank_linux64.tar.gz
- Cygwin: http://download.joachims.org/svm_rank/current/svm_rank_cygwin.tar.gz
- Windows: http://download.joachims.org/svm_rank/current/svm_rank_windows.zip
请给我发邮件并且让我知道你下载了。归档文件中包含了最新版本SVMrank，其中包括SVMstruct的源代码和SVMlight二次优化的源代码，使用以下shell命令解压缩归档文件：
gunzip –c svm_rank.tar.gz | tar xvf –
这将扩展归档文件到当前目录，它现在包含所有相关文件。你可以用命令编译SVMrank:
make
这将产生svm_rank_learn和svm_rank_classify两个可执行命令，如果系统不能正常编译，参考FAQ。
如何使用SVMrank
SVMrank包含一个学习模型(svm_rank_learn)和一个预测模型(svm_rank_classify)。SVMrank用跟SVMlight相同的输入输出文件格式，并且它也跟SVMlight使用一样的"-z p"参数，你可以训练模型：
svm_rank_learn -c 20.0 train.dat model.dat
在训练集training.dat上训练一个排序的SVM，用正则化参数c，设置为20.0, 训练学习到规则输出到model.dat文件中。然而，SVMrank参数c的解释跟SVMlight不同。特别得，Clight = Crank/n,n是训练集中query(比如在训练集中不同query id)的个数。在SVMstruct和SVMlight中，大多数参数介绍如下所述。只有少部分特定参数列表的介绍在下面。
General Options: -? -> this help -v [0..3] -> verbosity level (default 1) -y [0..3] -> verbosity level for svm_light (default 0) Learning Options: -c float -> C: trade-off between training error and margin (default 0.01) -p [1,2] -> L-norm to use for slack variables. Use 1 for L1-norm, use 2 for squared slacks. (default 1) -o [1,2] -> Rescaling method to use for loss. 1: slack rescaling 2: margin rescaling (default 2) -l [0..] -> Loss function to use. 0: zero/one loss ?: see below in application specific options (default 1) Optimization Options (see [2][5]): -w [0,..,9] -> choice of structural learning algorithm (default 3): 0: n-slack algorithm described in [2] 1: n-slack algorithm with shrinking heuristic 2: 1-slack algorithm (primal) described in [5] 3: 1-slack algorithm (dual) described in [5] 4: 1-slack algorithm (dual) with constraint cache [5] 9: custom algorithm in svm_struct_learn_custom.c -e float -> epsilon: allow that tolerance for termination criterion (default 0.001000) -k [1..] -> number of new constraints to accumulate before recomputing the QP solution (default 100) (-w 0 and 1 only) -f [5..] -> number of constraints to cache for each example (default 5) (used with -w 4) -b [1..100] -> percentage of training set for which to refresh cache when no epsilon violated constraint can be constructed from current cache (default 100%) (used with -w 4) SVM-light Options for Solving QP Subproblems (see [3]): -n [2..q] -> number of new variables entering the working set in each svm-light iteration (default n = q). Set n < q to prevent zig-zagging. -m [5..] -> size of svm-light cache for kernel evaluations in MB (default 40) (used only for -w 1 with kernels) -h [5..] -> number of svm-light iterations a variable needs to be optimal before considered for shrinking (default 100) -# int -> terminate svm-light QP subproblem optimization, if no progress after this number of iterations. (default 100000) Kernel Options: -t int -> type of kernel function: 0: linear (default) 1: polynomial (s a*b+c)^d 2: radial basis function exp(-gamma ||a-b||^2) 3: sigmoid tanh(s a*b + c) 4: user defined kernel from kernel.h -d int -> parameter d in polynomial kernel -g float -> parameter gamma in rbf kernel -s float -> parameter s in sigmoid/poly kernel -r float -> parameter c in sigmoid/poly kernel -u string -> parameter of user defined kernel Output Options: -a string -> write all alphas to this file after learning (in the same order as in the training set)常用参数：
-?：查看帮助
-v：冗长度级别，取值范围为[1,3]默认为1。
-y：svm_light冗长度级别，取值范围为[1,3]默认为0。
学习参数：
-c：权衡训练错误率和边缘值，为浮点数，默认为0.01。
-p：L范式用于松弛变量。1表示L1范式，2表示平方松弛，默认为1。
-o：用于重新调整损失函数。1表示重新调整松弛变量，2表示重新调整边缘值。
-l：用于损失函数。0表示0/1损失，？表示应用于具体参数。默认为1。
最优参数（参考论文[2][5]）：
-w：选择结构学习算法，默认为3
0：表示n-松弛算法，在论文[2]中有描述。
1：表示带启发式缩减的n-松弛算法。
2：表示1-松弛算法(主要使用)，在论文[5]中有描述。
3：表示1-松弛算法（双核），在论文[5]中有描述。
4：表示带缓存约束的1-松弛算法（双核），在论文[5]中有描述。
9：表示在svm_struct_learn_custom.c文件中自定义算法。
-e：epsilon，表示允许终止阈值，默认为0.001000.
-k：。。。
-f：。。。
-b：。。。
用二次规划子问题(QP子问题)解决的SVMlight参数说明（参考论文[3]）：
-n：
-m：
-h：
-#：
核参数
-t
-d
-g
-s
-r
-u
输出参数
-a
特定应用程序选项：
下面损失函数可以使用-l参数进行选择：
1.交换所有查询对的分数的总和。
2.交换所有查询对的分数。
注：SVMlight在'-z p'模式下，等同于SVM-rank用L1损失函数，c_light = c_rank/n，n为训练排名的实体个数。
SVMrank学习一个不带偏置的线性分类规则（比如：规则W*X不带明确阈值）。通过“-l”参数可以选择被优化的损失函数。损失函数1，用于SVMlight排名模型，并且它使得总交换排名最优。损失函数2，是损失函数1的正则化形式。对每个query，损失函数通过最大化交换查询对来划分交换对。
你可以使用-t参数，就像在SVMligth中使用一样。但是它比较慢，并且最好还是说不要用SVMlight。
训练文件和测试文件的文件格式与SVMlight相同(见进一步细节)，所不同的是输入文件中的行必须通过增加QID进行排序。第一行可能包括注释，如果包含#，那么将被忽略。下面每个行代表一个训练例子，并且格式如下：
<target> .=. <float>
<line> .=. <target> qid:<qid> <feature>:<value> <feature>:<value> ... <feature>:<value> # <info>
<qid> .=. <positive integer>
<feature> .=. <positive integer>
<value> .=. <float>
<info> .=. <string>
目标值与各特征/值对必须通过分隔符隔开。特征/值对必须是递增顺序的。特征值为0则被跳过。目标值为用来作为每个query例子的顺序。隐式地，目标值被用来产生query对的偏好约束，可参考[Joachims, 2002c]论文。对每个不同的目标值，一个偏好约束包括所有实体对。特别特征“qid”可以被用来重新产生约束。两个例子可以被认为是实体对偏好约束当且仅当“qid”值是相同的，例如，给定一下文件例子：
3 qid:1 1:1 2:1 3:0 4:0.2 5:0 # 1A
2 qid:1 1:0 2:0 3:1 4:0.1 5:1 # 1B
1 qid:1 1:0 2:1 3:0 4:0.4 5:0 # 1C
1 qid:1 1:0 2:0 3:1 4:0.3 5:0 # 1D
1 qid:2 1:0 2:0 3:1 4:0.2 5:0 # 2A
2 qid:2 1:1 2:0 3:1 4:0.4 5:0 # 2B
1 qid:2 1:0 2:0 3:1 4:0.1 5:0 # 2C
1 qid:2 1:0 2:0 3:1 4:0.2 5:0 # 2D
2 qid:3 1:0 2:0 3:1 4:0.1 5:1 # 3A
3 qid:3 1:1 2:1 3:0 4:0.3 5:0 # 3B
4 qid:3 1:1 2:0 3:0 4:0.4 5:1 # 3C
1 qid:3 1:0 2:1 3:1 4:0.5 5:0 # 3D
可以产生下列实体对约束（例子后面#之后的）
1A>1B, 1A>1C, 1A>1D, 1B>1C, 1B>1D, 2B>2A, 2B>2C, 2B>2D, 3C>3A, 3C>3B, 3C>3D, 3B>3A, 3B>3D, 3A>3D
svm_rank_svm通过train.dat学习到模型，模型文件被写到model.dat文件。然后预测测试集,svm_rank_classify读入文件。svm_rank_classifys使用如下：
svm_rank_classify test.dat model.dat predictions
对每行测试文件，预测排名，写到predictions文件中，在predictions文件中的每行对应test.dat文件。对于这些得分，排名可以排序。
开始：问题例子
你可以在以下链接中找到训练集和测试集：
http://download.joachims.org/svm_light/examples/example3.tar.gz
它包含3个排序和4个例子。在测试集中，也包含了4个例子，解压即可，产生example3文件夹，根据以下命令执行：
svm_rank_learn -c 3 example3/train.dat example3/model
svm_classify example3/test.dat example3/model example3/predictions
注：在windows下，带.exe执行，如svm_rank_learn.exe xxxxxx。
卤煮注：
train.dat:
# query 1 3 qid:1 1:1 2:1 3:0 4:0.2 5:0 2 qid:1 1:0 2:0 3:1 4:0.1 5:1 1 qid:1 1:0 2:1 3:0 4:0.4 5:0 1 qid:1 1:0 2:0 3:1 4:0.3 5:0 # query 2 1 qid:2 1:0 2:0 3:1 4:0.2 5:0 2 qid:2 1:1 2:0 3:1 4:0.4 5:0 1 qid:2 1:0 2:0 3:1 4:0.1 5:0 1 qid:2 1:0 2:0 3:1 4:0.2 5:0 # query 3 2 qid:3 1:0 2:0 3:1 4:0.1 5:1 3 qid:3 1:1 2:1 3:0 4:0.3 5:0 4 qid:3 1:1 2:0 3:0 4:0.4 5:1 1 qid:3 1:0 2:1 3:1 4:0.5 5:0
test.dat:
4 qid:4 1:1 2:0 3:0 4:0.2 5:1 3 qid:4 1:1 2:1 3:0 4:0.3 5:0 2 qid:4 1:0 2:0 3:0 4:0.2 5:1 1 qid:4 1:0 2:0 3:1 4:0.2 5:0
predictions:
2.43987615 1.40287793 0.91675182 -0.56012331
输出预测文件可以对测试集中的例子排名。如果你那么做，你将会看到它成功地预测对了排名。在预测文件中的值没有绝对的意义。他们仅仅只是为了排序。在SVMlight中等同于：
svm_learn -z p -c 1 example3/train.dat example3/model
注意参数c的不同值，因为我们有3个训练排序。
它也可以查看SVM排序的训练错误。SVM排序的训练错误等同于在训练模型中的错误排序。找到这些排序对，可以应用模型在训练集文件中：
svm_rank_classify example3/train.dat example3/model example3/predictions.train
再次提醒，预测文件隐式地表明了模型给出的排序。模型排序对所有训练文件正确地排序了。
注意排序是完全对相同qid例子进行的。也注意目标值（在数据集文件中的每行第一个值）是用于定义例子的顺序。它的绝对值不重要，只要排序相对于另一个相同的qid仍然是相同的即可。
声明
这个软件是免费的仅用于非商业用途。它不能未经作者许可之前进行分配。作者不负责因使用本软件的影响。