RankLib源码分析（一）：主框架

Evaluator类分析：

1.main函数的入口：

ciir.umass.edu.eval.Evaluator

2.指定算法

221行：

else if(args[i].compareTo("-ranker")==0)
rankerType = Integer.parseInt(args[++i]);

413行：

Evaluator e = new Evaluator(rType2[rankerType], trainMetric, testMetric);

3.指定数据的输入，划分（指定训练集，校验集和测试集）

Evaluator.evaluate函数（多个该函数，指定了不同的数据输入方式）

4.训练器

evaluate函数里：

RankerTrainer trainer = new RankerTrainer();
Ranker ranker = trainer.train(type, trainingData, validation, features, trainScorer);

5.测试结果

evaluate函数里：

double rankScore = evaluate(ranker, testData);

RankerTrainer类 分析：

1.通过RankerFactory，选定出指定的算法类（统一的基类为：Ranker类），具体有：

new MART(),

new RankBoost(),

new RankNet(),

new AdaRank(),

new CoorAscent(),

new LambdaRank(),

new LambdaMART(),

new ListNet(),

new RFRanker(),

new LinearRegRank()

2.记录训练的时间

Ranker类分析（抽象类）：

1.该类为所有的算法的基类，包含了一些通用的方法，

例如，设置训练集，设置检验集，设置feature,设置评价方式，以及给出评分后的排序

public RankList rank(RankList rl)
{
double[] scores = new double[rl.size()];
for(int i=0;i<rl.size();i++)
scores[i] = eval(rl.get(i));
int[] idx = MergeSorter.sort(scores, false);
return new RankList(rl, idx);
}
public List<RankList> rank(List<RankList> l)
{
List<RankList> ll = new ArrayList<RankList>();
for(int i=0;i<l.size();i++)
ll.add(rank(l.get(i)));
return ll;
}

2.为具体算法实现保留的方法主要有：

public abstract void init();  //初始化
public abstract void learn();  //学习模型
public double eval(DataPoint p) //给指定点打分
{
return -1.0;
}

  public abstract String model(); //建模

3.具体的实现类只需要考虑学习和评分即可，具体的排序已在该抽象类完成

4.数据格式

3 qid:1 1:1 2:1 3:0 4:0.2 5:0 # 1A

DataPoint：

1.label,评分（1,2,3,4等）相当如bad,good,very good之类

2.id,文档编号；

3.后面全是feature；

要求同一个qid的必须放到一起。

RankList是相同qid的DataPoint的列表，无排序。