原书出处
数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow
03 第3章 洞察用户长期价值: 基于神经网络的LTV建模 3.2 基于Keras的LTV模型实践
整个模型由里外两层构成,我们先构造内部模型。 Input层用来引入输入数据,这里输入的数据是(batch, outerlength, innerlength, featurelength)。其中第一个维度batch在Keras中默认不需要指定。对于其他3个维度,内部模型需要处理的是后两个,所以这里指定的输入数据形态是(leninner,len_fea)(这里内部变量名使用了缩写,以示区分),数据类型为float32。 然后构造卷积层cnn1d。这个层被初始化为输入层inner_input,之后添加两层卷积,卷积核的个数分别为64和32,kernel_size均为2,padding方式采用valid,激活函数为relu,步长为1。这一切可以用Keras的Conv1D来完成。两层卷积使得我们可以抽象出不同层次的序列特征。这里,我们在第一层再加上一个dropout操作,参数取0.1,即在训练时随机丢弃1/10的层内结点,以防止模型过拟合。 CNN抽取的特征是偏局部的。因此,输出向量的头部仍对应输入向量的头部,输出向量的尾部对应输入向量的尾部。LSTM非常适合进行这种时间序列信息的提取,因此我们后面续接两个LSTM层,结点个数分别为32和16。同样,对第一层LSTM,dropout取0.1,recurrent_dropout也取0.1。recurrent_dropout也是一种dropout,指的是递归结点之间的连接,用于对递归连接进行正则化处理。 这里有个需要注意的地方:第一层LSTM的return_sequences参数设为True,但第二层则设为False。因为我们希望第一层继续返回一个时间序列类型的数据,而第二层只需要最后提取成一个向量。经过适当处理后的向量就是我们内部模型的output。把输入为inner_input、输出为inner_output的部分用Model模块连
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0019.xhtml
EPUB SHA-256:b9d74c3cb9a87547f425283a2273004c2d73de2c2b50ebf97c2ab3336ae5d102