1

我正在使用 keras 构建模型，以便使用带有负采样的 skipgram 来学习词嵌入。我的输入是一对单词：(context_word, target_word)，当然还有标签 1表示正数，0表示负数。我需要做的是为模型添加偏差。偏差应该只是每个输入的目标词的偏差，而不是两个词的偏差。

直到现在我有代码：

input_u = Input((1,))
input_v = Input((1,))

item_embedding = Embedding(input_dim = items_size, 
                           output_dim = embed_dim,                           
                           name = 'item_embedding')

bias_embedding = Embedding(input_dim = items_size, 
                           output_dim = 1, 
                           embeddings_initializer = 'zeros', 
                           name = 'bias_embedding')

u = item_embedding(input_u)
v = item_embedding(input_v)
b_v = bias_embedding(input_v)

dot_p_layer = merge.dot([u, v], axes = 1)
with_bias = merge.add([dot_p_layer, b_v])
flattenned = Flatten()(with_bias)

output_layer = Dense(1, 
                     activation = 'sigmoid', 
                     use_bias = False)(flattenned)
print (output_layer.shape)

model = Model(inputs=[input_u, input_v], outputs=output_layer)
model.compile(loss='binary_crossentropy', optimizer = 'adam', metrics = ['accuracy'])

但是，我似乎无法让它工作。代码正在运行，但与没有偏差的模型相比，我得到了更高的损失和更低的准确度。所以我在想我做错了什么。另外，当我检查尺寸时，我仍然得到嵌入尺寸的尺寸，而不是嵌入 尺寸 + 1

我考虑过使用另一个密集层（甚至不确定这样做是否合乎逻辑或正确）以便在点积之后添加偏差，但我也无法真正让它工作。

我真的想要一些帮助，在模型中添加偏见。

4

1 回答 1

2

如果你想dimension + 1你正在寻找concatenate，而不是为了add。

我不知道之后的尺寸dot（点是奇怪的行为，哈哈），但如果它是 3D (batch, embedding, embedding)，你需要在连接之前展平。

于 2019-02-10T14:56:11.233 回答