學習Machine Learning，閱讀文獻，看各種數學公式的推導，其實是一件很枯燥的事情。有的時候即使理解了數學推導過程，也仍然會一知半解，離自己寫程序實現，似乎還有一道鴻溝。所幸的是，現在很多主流的Machine Learning方法，網上都有open source的實現，進一步的閱讀這些源碼，多做一些實驗，有助于深入的理解方法。

Ranklib就是一套優秀的Learning to Rank領域的開源實現，其主頁在：http://people.cs.umass.edu/~vdang/ranklib.html，從主頁中可以看到實現了哪些方法。其中由微軟發布的LambdaMART是IR業內常用的Learning to Rank模型，本文介紹RanklibV2.1(當前最新的時RanklibV2.3，應該大同小異)中的LambdaMART實現，用以幫助理解paper中闡述的方法。

LambdaMART.java中的LambdaMART.learn()是學習流程的管控函數，學習過程主要有下面四步構成：

1. 計算deltaNDCG以及lambda;

2. 以lambda作為label訓練一棵regression tree;

3. 在tree的每個葉子節點通過預測的regression lambda值還原出gamma，即最終輸出得分；

4. 用3的模型預測所有訓練集合上的得分（+learningRate*gamma）,然后用這個得分對每個query的結果排序，計算新的每個query的base ndcg，以此為基礎回到第1步，組成森林。

重復這個步驟，直到滿足下列兩個收斂條件之一：

1. 樹的個數達到訓練參數設置；

2. Random Forest在validation集合上沒有變好。

下面用一組實際的數據來說明整個計算過程，假設我們有10個query的訓練數據，每個query下有10個doc，每個q-d對有10個feature，如下：

1 0 qid:1830 1:0.002736 2:0.000000 3:0.000000 4:0.000000 5:0.002736 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 2 0 qid:1830 1:0.025992 2:0.125000 3:0.000000 4:0.000000 5:0.027360 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 3 0 qid:1830 1:0.001368 2:0.000000 3:0.000000 4:0.000000 5:0.001368 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 4 1 qid:1830 1:0.188782 2:0.375000 3:0.333333 4:1.000000 5:0.195622 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 5 1 qid:1830 1:0.077975 2:0.500000 3:0.666667 4:0.000000 5:0.086183 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 6 0 qid:1830 1:0.075239 2:0.125000 3:0.333333 4:0.000000 5:0.077975 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 7 1 qid:1830 1:0.079343 2:0.250000 3:0.666667 4:0.000000 5:0.084815 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 8 1 qid:1830 1:0.147743 2:0.000000 3:0.000000 4:0.000000 5:0.147743 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 9 0 qid:1830 1:0.058824 2:0.000000 3:0.000000 4:0.000000 5:0.058824 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 10 0 qid:1830 1:0.071135 2:0.125000 3:0.333333 4:0.000000 5:0.073871 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 11 0 qid:1837 1:0.004065 2:0.000000 3:0.500000 4:0.000000 5:0.000000 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 12 0 qid:1837 1:0.459350 2:0.000000 3:0.000000 4:1.000000 5:0.455285 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 13 0 qid:1837 1:0.060976 2:0.333333 3:0.500000 4:0.000000 5:0.065041 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 14 0 qid:1837 1:0.093496 2:0.000000 3:0.000000 4:0.000000 5:0.085366 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 15 0 qid:1837 1:0.195122 2:0.000000 3:0.000000 4:0.000000 5:0.186992 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 16 0 qid:1837 1:0.036585 2:0.333333 3:0.500000 4:0.000000 5:0.040650 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 17 0 qid:1837 1:0.032520 2:0.000000 3:0.000000 4:0.000000 5:0.024390 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 18 0 qid:1837 1:0.073171 2:0.000000 3:0.000000 4:0.000000 5:0.065041 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 19 0 qid:1837 1:0.024390 2:1.000000 3:0.500000 4:1.000000 5:0.048780 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 20 0 qid:1837 1:0.024390 2:0.333333 3:0.500000 4:1.000000 5:0.032520 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 21 0 qid:1840 1:0.000000 2:0.000000 3:0.000000 4:0.000000 5:0.000000 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 22 1 qid:1840 1:0.007364 2:0.200000 3:1.000000 4:0.500000 5:0.013158 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 23 1 qid:1840 1:0.097202 2:0.000000 3:0.000000 4:0.000000 5:0.096491 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 24 2 qid:1840 1:0.169367 2:0.000000 3:0.500000 4:0.000000 5:0.169591 6:0.000000 7:0.000000 8:0.000000 9:0.000000 10:0.000000 25 ......

?

為了簡便，省略了余下的數據。上面的數據格式是按照Ranklib readme中要求的格式組織（類似于svmlight），除了行號之外，第一列是q-d對的實際label（人標注數據），第二列是qid，后面10列都是feature。

這份數據每組qid中的doc初始順序可以是隨機的，也可以是從實際的系統中獲得的當前順序。總之這個是計算ndcg的初始狀態。對于qid=1830，它的10個doc的初始順序的label序列是：0, 0, 0, 1, 1, 0, 1, 1, 0, 0(雖然這份序列中只有label值為0和1的，實際中也會有2，3等，由自己的標注標準決定)。我們知道dcg的計算公式是：

i表示當前doc在這個qid下的位置（從1開始，避免分母為0），label(i)是doc(i)的標注值。而一個query的dcg則是其下所有doc的加和：

?根據上式可以計算初始狀態下每個qid的dcg：?

要計算ndcg，還需要計算理想集的dcg，將初始狀態按照label排序，qid=1830得到的序列是1,1,1,1,0,0,0,0,0,0，計算dcg:

兩者相除得到初始狀態下qid=1830的ndcg:

?

下面要計算每一個doc的deltaNDCG，公式如下：

deltaNDCG(i,j)是將位置i和位置j的位置互換后產生的ndcg變化（其他位置均不變），顯然有相同label的deltaNDCG(i,j)=0。

在qid=1830的初始序列0, 0, 0, 1, 1, 0, 1, 1, 0, 0，由于前3的label都一樣，所以deltaNDCG(1,2)=deltaNDCG(1,3)=0，不為0的是deltaNDCG(1,4), deltaNDCG(1,5), deltaNDCG(1,7), deltaNDCG(1,8)。

將1，4位置互換，序列變為1, 0, 0, 0, 1, 0, 1, 1, 0, 0，計算得到dcg=2.036，整個deltaNDCG(1,4)的計算過程如下：

同樣過程可以計算出deltaNDCG(1,5)=0.239, deltaNDCG(1,7)=0.260, deltaNDCG(1,8)=0.267等。

進一步，要計算lambda(i)，根據paper，還需要ρ值，ρ可以理解為doci比docj差的概率，其計算公式為：

Ranklib中直接取σ=1（σ的值決定rho的S曲線陡峭程度），如下圖，藍，紅，綠三種顏色分別對應σ=1，2，4時ρ函數的曲線情形（橫坐標是si-sj）:

初始時，模型為空，所有模型預測得分都是0，所以si=sj=0，ρij≡1/2，lambda(i,j)的計算公式為：

?

上式為Ranklib中實際使用的公式，而在paper中，還需要再乘以-σ，在σ=1時，就是符號正好相反，這兩種方式應該是等價的，符號并不影響模型訓練結果。而：

計算lambda(1)，由于label(1)=0，qid=1830中的其他doc的label都大于或者等于0，所以lamda(1)的計算中所有的lambda(1,j)都為負項。將之前計算的各deltaNDCG(1,j)代入，且初始狀態下ρij≡1/2，所以:

可以計算出初始狀態下qid=1830各個doc的lambda值，如下：

1 qId=1830 0.000 0.000 0.000 -0.111 -0.120 0.000 -0.130 -0.134 0.000 0.000 lambda(1): -0.495 2 qId=1830 0.000 0.000 0.000 -0.039 -0.048 0.000 -0.058 -0.062 0.000 0.000 lambda(2): -0.206 3 qId=1830 0.000 0.000 0.000 -0.014 -0.022 0.000 -0.033 -0.036 0.000 0.000 lambda(3): -0.104 4 qId=1830 0.111 0.039 0.014 0.000 0.000 0.015 0.000 0.000 0.025 0.028 lambda(4): 0.231 5 qId=1830 0.120 0.048 0.022 0.000 0.000 0.006 0.000 0.000 0.017 0.019 lambda(5): 0.231 6 qId=1830 0.000 0.000 0.000 -0.015 -0.006 0.000 -0.004 -0.008 0.000 0.000 lambda(6): -0.033 7 qId=1830 0.130 0.058 0.033 0.000 0.000 0.004 0.000 0.000 0.006 0.009 lambda(7): 0.240 8 qId=1830 0.134 0.062 0.036 0.000 0.000 0.008 0.000 0.000 0.003 0.005 lambda(8): 0.247 9 qId=1830 0.000 0.000 0.000 -0.025 -0.017 0.000 -0.006 -0.003 0.000 0.000 lambda(9): -0.051 10 qId=1830 0.000 0.000 0.000 -0.028 -0.019 0.000 -0.009 -0.005 0.000 0.000 lambda(10): -0.061

?上表中每一列都是考慮了符號的lamda(i,j)，即如果label(i)<label(j)，則為負值，反之為正值，每行結尾的lamda(i)是前面的加和，即為最終的lambda(i)。

可以看到，lambda(i)在系統中表達了doc(i)上升或者下降的強度，label越高，位置越后，lambda(i)為正值，越大，表示趨向上升的方向，力度也越大；label越小，位置越靠前，lambda(i)為負值，越小，表示趨向下降的方向，力度也大（lambda(i)的絕對值表達了力度。）

然后Regression Tree開始以每個doc的lamda值為目標，訓練模型。

總結

以上是生活随笔為你收集整理的Ranklib分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。