python - Keras 序列模型的多个嵌入层

Question

我正在使用 Keras(tensorflow 后端)并且想知道如何将多个嵌入层添加到 Keras 顺序模型中。

更具体地说，我的数据集中有几列具有分类值，我考虑过使用单热编码，但已确定分类项的数量有数百个，导致列集很大且过于稀疏.在寻找解决方案时，我发现 Keras 的嵌入层似乎非常优雅地解决了这个问题。然而，大多数示例(和 Keras 文档)都说明了一个非常简单的情况，只有一个嵌入层。

不幸的是，我不知道如何将多个嵌入层作为输入集成到单个模型中。

我的代码看起来像这样，但它不起作用，我猜测多个嵌入层按顺序操作(第一个嵌入层输入第二个，依此类推)而不是模型的多个输入源:

model = Sequential()
model.add(Embedding(500, 64, input_length=10))  # categorical col 1
model.add(Embedding(100, 64, input_length=10))  # categorical col 2
model.add(Embedding(500, 64, input_length=10))  # categorical col 3
model.add(Flatten... 
model.add(Dense...

我的问题是如何建立 Keras 顺序模型，以便能够使用上面显示的三个嵌入层。第一层和最后一层之间的具体内容:

model = Sequential()
#
# What goes here?
#
model.add(Dense...

我是在正确的轨道上，还是我的方法不正确，我需要以不同的方式建立模型？任何建议/例子表示赞赏!

Answer 1

如果切换到 functional API，这可以很容易地完成，先读一读。然后，您可以构建一个具有代表不同列的多个输入的模型:

col1, col2, col3 = Input(shape=(10,)), Input(shape=(10,)), ...
col1_embeded = Embedding(500, 64)(col1)
col2_embedded = Embedding(100, 64)(col2)
# ...

层的要点是构建计算图的可调用对象。例如，您还可以通过简单地使用相同的嵌入层在列之间共享嵌入层。