tensorflow-DeepFM issues

输入是文本特征

你好，我想请教一下deepfm模型的输入可以是评论文本表示的user,item 特征吗？

连续特征的embedding问题

3

hi，看了代码实现，有个疑问，连续特征乘以k维需要训练的embedding向量（1个数分解为多个数），这样对连续特征也带来了信息损失吧？

dfm_params = { "use_fm": True, "use_deep": True, "embedding_size": 8, "dropout_fm": [1.0, 1.0], "deep_layers": [32, 32], "dropout_deep": [0.5, 0.5, 0.5], "deep_layers_activation": tf.nn.relu, "epoch": 30, "batch_size": 1024, "learning_rate": 0.001, "optimizer_type": "adam", "batch_norm":...

FireSK7

有没有实现sparse输入的deepfm

2

sparse_index = tf.placeholder(tf.int64, [None, 2]) sparse_ids = tf.placeholder(tf.int64, [None]) sparse_values = tf.placeholder(tf.float32, [None]) sparse_shape = tf.placeholder(tf.int64, [2]) ids = tf.SparseTensor(sparse_index, sparse_ids, sparse_shape) values = tf.SparseTensor(sparse_index, sparse_values, sparse_shape) 这样子的sparse输入

starkeisntein

关于特征的向量表示我有一个疑问

1

def _initialize_weights(self): weights = dict() # embeddings # FM 组件 weights["feature_embeddings"] = tf.Variable( tf.random_normal([self.feature_size, self.embedding_size], 0.0, 0.01), name="feature_embeddings") # feature_size * K 上面是初始化权重的方法但是我们如何能直接初始化一个特征表示的矩阵weights["feature_embeddings"]，每个特征表示的向量不是应该通过相应的嵌入层网络获得吗？还有伴随着训练完成，为什么weights["feature_embeddings"]会发生变化??

sshzhang