python - 在 Keras 中向嵌入层添加偏差

Question

我正在使用 keras 构建一个模型，以便使用带有负采样的 Skipgram 来学习单词嵌入。我的输入是一对单词:(context_word, target_word)，当然标签 1 表示积极的，0 表示消极的。 我需要做的是向模型添加偏差。偏差应该只是每个输入的目标单词的偏差，而不是两个单词的偏差。

到目前为止我已经有了代码:

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。代码正在运行但是，与没有偏差的模型相比，我的损失更高，准确性更低。所以我想我做错了什么。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Dense层(甚至不确定它是否合乎逻辑或正确)来在点积之后添加偏差，但我也无法真正让它发挥作用。

我真的需要一些帮助，在模型中添加偏差。

Answer 1

如果您想要dimension + 1，那么您正在寻找concatenate，而不是add。

我不知道点之后的尺寸(点是奇怪的行为，哈哈)，但如果它是3D (批量，嵌入，嵌入)，你将需要在串联之前展平。