17 | Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？

无法直接计算相似度. user embedding 和 item embedding 虽然输入数据来源自同一个数据集，但是本身并不在一个向量空间内.

请问老师： 1.看了您实现的MLPRecModel, 由于对tf2.x 版本不是很熟悉，没有看出来 是否 针对 发布时间、电影阅读数等等统计字段 进行了 标准化， 我当时用keras 实现了一下，没有对统计特征进行标准化，效果很差，只有56%左右，损失一直不降，然后最那些统计指标进行标准化话，训练完第一轮，测试集就能达到73%。 2. 您这次实现的MLPRecModel，针对用户、电影，先直接给出的初始化Embedding，然后训练对应的Embedding 权重， 在训练集中，假如 一个用户 有10条样本数据集，那么模型训练该用户Embedding 是根据这10条数据最终训练成能表示该用户Embedding吗？ 数据集特征中， 针对一条样本，没有特征表示： 用户历史观看电影 【电影1，电影2 电影3。。。】（按照时间排序） 这样一条特征，对训练Embedding有影响吗，我总感觉好像丢了这部分信息。

老师，您好，我使用Pytorch实现了项目中用到的模型：https://github.com/hillup/recommend

如果这个模型的结构变一下，把拼接操作变成user emb点乘item emb直接得到预测评分，那训练出来user emb和item emb就在一个向量空间了吧

想请教下老师，关于embedding训练的原理， 比如图二中Word2Vec的训练我们有输入值X（one-hot向量）， 和输出Y（作为label， multi-hot向量），所以我们可以训练我们的的Word2Vec的词向量，使其得到最贴近训练样本标签的结果。但是我们这节课讲的embedding层只有前一部分，并没有Y（label）这部分，embedding是通过什么原理训练出来的呢？embedding本质是个unsupervised learning吗？

如果是电商推荐商品。没有 0和1 的label, 只有buy还是click的区别，这样的话请问应该如何处理？lable列全部为1吗？谢谢！

王喆老师，你好，我最近准备吧这几个模型改写为pytorch版本的代码，在进行category features的embedding的时候，是需要先将这些features变为one hot向量，再将这些one hot的向量变成embedding向量吗？但这样的话有些问题，这样数据大小就爆炸了，比如movie id 的features（19000个数据），从(19000,) -> (19000, 30001) -> (19000, 30001, 10)

课后思考题，我的想法是在Stacking 层把不同的 Embedding 特征和数值型特征拼接在一起，即把电影和用户的 Embedding 向量拼接起来，形成新的包含全部特征的特征向量，该特征向量保存了用户和电影之间的相似性关系，应该可以直接用来计算用户和物品之间的相似度。

请问老师，对于数值型特征都有均值和标准差，比如电影评分均值和电影评分标准差两个特征。您在实际工作中，对于数值型特征都会额外加上均值和标准差两个特征吗？

老师你好， 我在运行时会出现以下的waring。请问是我设置的原因还是什么其他原因呢？ WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor, but we receive a <class 'collections.OrderedDict'> input: OrderedDict([('movieId', <tf.Tensor 'ExpandDims_4:0' shape=(None, 1) dtype=int32>), ('userId', <tf.Tensor 'ExpandDims_17:0' shape=(None, 1) dtype=int32>), ('rating', <tf.Tensor 'ExpandDims_7:0' shape=(None, 1) dtype=float32>), ('timestamp', <tf.Tensor 'ExpandDims_9:0' shape=(None, 1) dtype=int32>), ('releaseYear', <tf.Tensor 'ExpandDims_8:0' shape=(None, 1) dtype=int32>), ('movieGenre1', <tf.Tensor 'ExpandDims_1:0' shape=(None, 1) dtype=string>), ('movieGenre2', <tf.Tensor 'ExpandDims_2:0' shape=(None, 1) dtype=string>), ('movieGenre3', <tf.Tensor 'ExpandDims_3:0' shape=(None, 1) dtype=string>), ('movieRatingCount', <tf.Tensor 'ExpandDims_5:0' shape=(None, 1) dtype=int32>), ('movieAvgRating', <tf.Tensor 'ExpandDims:0' shape=(None, 1) dtype=float32>), ('movieRatingStddev', <tf.Tensor 'ExpandDims_6:0' shape=(None, 1) dtype=float32>), ('userRatedMovie1', <tf.Tensor 'ExpandDims_18:0' shape=(None, 1) dtype=int32>), ... ('userGenre5', <tf.Tensor 'ExpandDims_16:0' shape=(None, 1) dtype=string>)]) Consider rewriting this model with the Functional API.