← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9860.g · 生成模型:Hunyuan

实体嵌入神经网络

理解等级:高级

实体嵌入模型改搭多输入结构:门店、星期、年、月、日、州各自接一个Embedding层(维度分别取10、6、2、6、10、6),把它们Reshape成向量后与促销特征Concatenate拼接,再送入与基线相同的1000/500全连接与sigmoid输出。这样每个类别被压成低维稠密向量,且维度可按类别数调整(如12个州用6维、1115家店用10维)。相比独热的1183维,参数量大幅下降,并能学到类别间的语义邻近关系。代价是结构更复杂、需处理多输入与采样,但验证误差降到约0.096,略优于独热版本,证明Embedding表达更有效。

这张卡片看不懂?

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

    参考来源

    - 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第11章 用Embedding提升机器学习性能(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter15_0002.xhtml) - 结论依据:原文11.2.2给出各Embedding层维度、拼接结构与评估误差,支撑本卡对模型结构与优势的解释。 - 原始内容:output_model = Concatenate()(output_embeddings) output_model = Dense(1000, kernel_initializer="uniform")(output_model)