如何为XGBRanker构建qid/group矩阵？解决输入维度报错问题

一、XGBRanker完全适配你的排序任务 #

XGBRanker就是专门为排序场景设计的，尤其是这种组内候选排序（把hits和decoys作为同一查询组的候选，按活跃状态排序），完全符合它的应用场景。

二、解决ValueError的核心：把字符串转成二维数值特征矩阵 #

你遇到的报错是因为XGBRanker只接受二维数值型特征矩阵，而你传入的是字符串数组，XGBoost无法直接解析字符串作为特征。解决方法是把字符串型的items转换成数值特征，常见方式有：

• 如果items是类别型字符串（比如不同的候选ID、类别标签）：用one-hot编码、标签编码，或者目标编码；
• 如果items是文本内容：用TF-IDF、Word2Vec、BERT嵌入等生成固定长度的数值向量；
• 结合业务特征：比如如果有候选的活跃次数、最近活跃时间等，也可以加入特征矩阵。

举个简单的类别字符串转特征的代码例子：

import numpy as np
import pandas as pd
from sklearn.preprocessing import OneHotEncoder

# 示例数据
items = np.array(["hit_1", "decoy_2", "hit_3", "decoy_4"])
active_or_not = np.array([1, 0, 1, 0])

# 把字符串转成二维特征矩阵
df = pd.DataFrame({"item": items})
encoder = OneHotEncoder(sparse_output=False)
features = encoder.fit_transform(df[["item"]])

三、构建qid-label-features格式的表格 #

XGBRanker要求输入的排序数据必须按**查询组（qid）-标签（label）-特征（features）**的结构组织，具体步骤如下：

1. 确定qid（查询组ID） #

qid用来标识哪些样本属于同一排序组——也就是哪些候选需要放在一起排序。比如：

• 如果你的所有hits和decoys是同一组的候选（比如给某个用户推荐的列表），那所有样本的qid都设为同一个值（比如0）；
• 如果有多个独立的排序组（比如多个用户的候选列表），每个组的样本对应唯一的qid（比如0、1、2...）。

示例中假设所有样本属于同一组，生成qid数组：

qid = np.zeros(len(items), dtype=int)  # 所有样本qid为0

2. 定义label（排序目标标签） #

你的active_or_not就是现成的label：1表示活跃（需要排在前面），0表示非活跃（排在后面），直接用就行。

3. 组合成完整的排序数据集 #

可以用DataFrame来清晰展示结构，也可以用numpy数组传给模型：

# 用DataFrame展示qid-label-features结构
rank_df = pd.DataFrame(features, columns=encoder.get_feature_names_out())
rank_df["qid"] = qid
rank_df["label"] = active_or_not

# 提取模型需要的输入
X = rank_df.drop(["qid", "label"], axis=1)
y = rank_df["label"]
# 生成group参数：每个qid对应的样本数量，XGBRanker需要这个来识别组
groups = rank_df.groupby("qid").size().values

4. 训练XGBRanker #

现在就可以正常训练了，注意设置排序相关的objective：

from xgboost import XGBRanker

ranker = XGBRanker(
    objective="rank:pairwise",  # 常用的 pairwise 排序目标
    n_estimators=100,
    learning_rate=0.1
)

ranker.fit(X, y, group=groups)

内容的提问来源于stack exchange，提问作者con