[技術共有] 7：検索の並べ替え-並べ替えモデル

この記事オリジナルの著者：鵬Jiangjunは、承認後にリリース。

元のリンク：https : //cloud.tencent.com/developer/article/1533656

はじめに：

モデルは、機械学習の3つの質問で、学習方法をリンクしています。これは、特徴と従属変数の間の関係を決定するためのコアステップです。この部分には、モデルの選択、最適化の目的と損失関数の選択が含まれます。ソートは最初のセクションで説明されています。LTRには、ポイントワイズ、ペアワイズ、リストワイズの3つのモードがあります。ここでは、主に使用されるLightgbmモデルについて説明します。以下では、決定関数の選択（最適化の目標）がもたらす効果について説明します。最後に、データビジネスとモデル全体の理解に基づいて、リストワイズモデルではCTRとコンバージョン率がそれぞれ0.6ずつ向上し、ポイントワイズモデルでは、コンバージョン率が3ポイント向上しました。

1：Lightgbmの概要

LightgbmとXgboostに関して、2つの間の関係はLightgbmがXgboostの軽量バージョンであり、トレーニングプロセスが高速で、メモリ消費が少ないと見なすことができます。予測の原理を詳細に見つけて理解しやすくするために、ブログ投稿がここに投稿されています。

https://blog.csdn.net/meyh0x5vDTk48P2/article/details/79876825

要約すると、実装されたメインモデルはGBDTです。これは、ツリーモデルに基づく統合学習モデルです。GBDTのアルゴリズムフローは、次のリンクhttps://zhuanlan.zhihu.com/p/29765582に参加できます。このリンクには、いくつかの式の導出が含まれています。導出式を理解したくない場合は、移動せずにクリックできます。以下では、アルゴリズムの考え方を説明するために短い単語と画像を使用します。

GDBTはツリーモデルに依存しています。

ツリーモデルでは、次の図に示すように、他のものを多数のIF-THENルールのセットとして単純に見ることができます。サンプルは、サンプル特性の分割に従って多くのリーフノード間の値として予測できます。

ツリーモデルに基づいて、GBDTは予測された残差に基づいて数回の反復を行いました。簡単に言えば、最初のCART予測に基づいて、最初の質問の予測誤差が2番目のツリーで予測され、繰り返されます。停止条件に達するまで、GBDTの予測はN本の木の予測結果の合計です。

2：プロジェクトの実践

プロジェクトの背景とモデリングは、セクション3：検索ランキング-機械学習モデリングで確認できます。

このセクションでは、3つの異なる最適化目標に基づく結果を示します。

最適化の問題として純粋なクリックを選択した場合、最適化の目標は、ユーザーのクリックを最適化の目標として一意に決定され、現時点では、バイナリ分類としてlightgbmモデルを選択します。2番目のカテゴリのポイントワイズモデルは、click_point_modelと呼ばれます。

純粋なロングクリックを最適化の問題として選択すると、最適化の目標は、ユーザーのロングクリックを最適化の目標としてのみ決定されます（ロングクリックは、ユーザーがクリックして特定の条件を満たすために監視する時間として理解できます）。 lightgbmモデルの2つのカテゴリ。2番目のカテゴリのポイントワイズモデルは、longclick_point_modelとして記録されます。

クリックとロングクリックを同時に最適化することを選択した場合、ラベルを0〜3のカテゴリに設定します。ラベルの設定については、次の表を参照してください。

lightgbmモデルの下のlambdamartが使用され、listwise_modelと表示されます。ここで複数分類が使用されない理由は2つあります：1：カテゴリ間の違いは実際には非常に不均一です。2：各ラベルを正確に予測するという点では、ラベル間の順序関係により注意を払っています。これに基づいて、最終的にリストワイズモデルを選択しました。

ラベルの分布を以下に示します。