Keras序列模型的多个嵌入层

Question

我正在使用Keras（tensorflow后端）并想知道如何将多个嵌入层添加到Keras序列模型中。在

更具体地说，我的数据集中有几个列具有分类值，我考虑过使用一种热编码，但确定了分类项的数量为数百个，这导致列集过大且过于稀疏。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（以及Keras文档）都说明了一个非常简单的情况，即只有一个嵌入层。在

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。在

我的代码看起来是这样的，但它不起作用，我猜测多个嵌入层按顺序操作（第一个嵌入层被输入，第二个嵌入层依此类推），而不是作为模型的多个输入源：

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一个Keras序列模型，以便能够使用上面显示的三个嵌入层。在第一层和最后一层之间具体是什么：

^{pr2}$

我是在正确的轨道上，还是我的方法不正确，需要以不同的方式建立模型？如有任何建议/例子，我们将不胜感激！在

Answer 1

如果您切换到functional API，则可以很容易地完成此操作，首先进行读取。然后，可以使用表示不同列的多个输入构建模型：

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

其要点是层是构建计算图的可调用对象。例如，还可以通过简单地使用同一个嵌入层在列之间共享嵌入层。在