如何在 Keras 中使用附加功能和词嵌入？

Question

我正在使用 Keras 在数据集上训练 LSTM 模型，如下所示。变量“描述”是一个文本字段，“年龄”和“性别”是分类和连续字段。

Age, Gender, Description
22, M, "purchased a phone"
35, F, "shopping for kids"

我正在使用词嵌入将文本字段转换为词向量，然后将其输入到 keras 模型中。代码如下：

model = Sequential()
model.add(Embedding(word_index, 300, weights=[embedding_matrix], input_length=70, trainable=False))

model.add(LSTM(300, dropout=0.3, recurrent_dropout=0.3))
model.add(Dropout(0.6))
model.add(Dense(1))
model.add(Activation('sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics['accuracy'])

此模型运行成功，但我也想输入“年龄”和“性别”变量作为特征。代码中还需要哪些更改才能使用这些功能？

Answer 1

您想添加更多的输入层，这是顺序模型无法实现的，您必须使用功能模型

from keras.models import Model

它允许您有多个输入和间接连接。

embed = Embedding(word_index, 300, weights=[embedding_matrix], input_length=70, trainable=False)
lstm = LSTM(300, dropout=0.3, recurrent_dropout=0.3)(embed)
agei = Input(shape=(1,))
conc = Concatenate()(lstm, agei)
drop = Dropout(0.6)(conc)
dens = Dense(1)(drop)
acti = Activation('sigmoid')(dens)

model = Model([embed, agei], acti)
model.compile(loss='binary_crossentropy', optimizer='adam', metrics['accuracy'])

您不能在 LSTM 层之前进行连接，因为它没有意义，而且在嵌入层之后您将拥有 3D 张量，并且输入是 2D 张量。

Answer 2

我写了关于how to do this in keras。它基本上是一个功能性多输入模型，它像这样连接两个特征向量：

nlp_input = Input(shape=(seq_length,), name='nlp_input')
meta_input = Input(shape=(10,), name='meta_input')
emb = Embedding(output_dim=embedding_size, input_dim=100, input_length=seq_length)(nlp_input)
nlp_out = Bidirectional(LSTM(128))(emb)
x = concatenate([nlp_out, meta_input])
x = Dense(classifier_neurons, activation='relu')(x)
x = Dense(1, activation='sigmoid')(x)
model = Model(inputs=[nlp_input , meta_input], outputs=[x])

Answer 3

考虑有一个单独的前馈网络来接收这些特征并输出一些 n 维向量。

time_independent = Input(shape=(num_features,))
dense_1 = Dense(200, activation='tanh')(time_independent)
dense_2 = Dense(300, activation='tanh')(dense_1)

首先，请使用 keras 的functional API 来做这样的事情。

然后，您可以将其作为 LSTM 的隐藏状态传入，也可以将其与每个词嵌入连接起来，以便 lstm 在每个时间步都能看到它。在后一种情况下，您可能希望大幅降低网络的维数。

如果您需要示例，请告诉我。