知识卡片
变长行为序列的截断与填充
不同用户在同一时间窗口内的购买次数差异很大,而神经网络的输入却要求固定形状。常见做法是”截断+填充”:设定一个统一长度,超过的序列只取前面部分,不足的序列用0补齐,从而把长度不一的行为记录统一转换成矩阵/张量形状。代价是会丢失过长序列尾部的信息,也会给短序列引入一堆无意义的填充值,是[[LTV的CNN-LSTM嵌套]]接收变长行为序列前必须接受的取舍。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 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 · 查看原书依据
具体地说,我们把28天分成4个星期,每个星期内用户购买行为的特征都作为一个时间序列。不同的顾客购买行为存在很大差异,有些顾客购买次数会很多,有些又很少。对此我们采用一种“截断+填充”的方式,把序列的长度控制在一个固定值。假设此固定值为p,特征数量为q,最后每个顾客的特征数据会是一个(4,p,q)形态的张量。
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》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(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件: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)
- 结论依据:原文明确"不同的顾客购买行为存在很大差异,有些顾客购买次数会很多,有些又很少。对此我们采用一种'截断+填充'的方式,把序列的长度控制在一个固定值",最终得到形状为"(4,p,q)"的固定张量。
- 原始内容:具体地说,我们把28天分成4个星期,每个星期内用户购买行为的特征都作为一个时间序列。不同的顾客购买行为存在很大差异,有些顾客购买次数会很多,有些又很少。对此我们采用一种“截断+填充”的方式,把序列的长度控制在一个固定值。假设此固定值为p,特征数量为q,最后每个顾客的特征数据会是一个(4,p,q)形态的张量。