Paras vastaus
Tässä on joitain oppimista sijoittamaan kirjastoja RankLibin ulkopuolelle: //arogozhnikov.github.io/2015/06/26 /learning-to-rank-software-datasets.html:
- LEROT (Python)
- xapian-letor
- Sijoituksen metrinen oppiminen (Matlab)
- SVM-Rank-toteutus (C ++)
- ListMLE , ListNET
- SVM-MAP-toteutus (C ++ )
- Kirjaston sijoittelun oppiminen (C ++)
- jforests (Java)
- IPython-esittely luokituksen oppimisesta
- LambdaRank (Python) -toteutus erityisesti kaggle ranking-kilpailuihin)
Tästä huolimatta RankLib on edelleen paras vaihtoehto kypsyyden ja todistetun oikeellisuuden suhteen.
Jos mikään näistä ei toimi sinulle, on aina mahdollista kirjoittaa yksi itse.
Vastaa
Vaihtoehdot Olen käyttänyt aiemmin ja voin suositella:
SVMRank (C) Tukee vektorikoneita rankingissa
JLIS-uudelleensijoitus (Java) http://flake.cs.uiuc.edu/~mchang21/softwares/JLIS/rerank.html
Haven ei ole käyttänyt, mutta tietää:
XGboost (käytetään laajasti käyttöliittymien kanssa monille kielille; ei ole koskaan kokeillut sitä ranking-ongelmien ratkaisemiseksi) dmlc / xgboost (katso myös tämä XGBoost-rank-esimerkki )
Jforests (Java) jforests – Puuyhtyeet koneoppimista varten – Google-projektin isännöinti