推荐系统（十七）：在TensorFlow中用户特征和商品特征是如何Embedding的？

在前面几篇关于推荐模型的文章中，笔者均给出了示例代码，有读者反馈——想知道在 TensorFlow 中用户特征和商品特征是如何 Embedding 的？因此，笔者特意写作此文加以解答。

1. 何为 Embedding ？

关于 Embedding，笔者很久之前写过一篇文章《推荐系统（十一）：推荐系统中的 Embedding》，现在看来，差强人意，不过，对 Embedding 的概念解读还是不错的，只是缺乏代码案例解读。在本文中，笔者将基于 TensorFlow 来做解读，让读者加深理解。

如下图所示，为一个极简（CTR 和 CVR 共享了交互层） “双塔模型”（详见文章《推荐系统（十五）：基于双塔模型的多目标商品召回/推荐系统》），简单解读一下：

User Feature 和 Item Feature 先经过 Embedding Layer 处理，得到特征的 Embedding；
User Feature Embedding 和 Item Feature Embedding 经过 Concat Layer 连接后输入到 DNN 网络；这样直接 Concat 得到的 Embedding 结果被称为 User 和 Item 的 “表示（Representation）”，显然，这种 “表示” 比较粗糙；
经过 MLP 处理，得到 User Vector 和 Item Vector，相较于上一步的 “表示形式”，User Vector 和 Item Vector 要 “精细” 得多，是真正意义上的 User Embedding 和 Item Embedding。
User Embedding 和 Item Embedding 计算内积后经过 Sigmoid 函数处理（即图中的 Prediction），即可得到一个 0～1 之间的数值，即概率。
对于商品点击（1-点击，0-未点击）和商品转化（1-转化，0-未转化）这种二分类问题，结合模型预测的概率和样本 Label，很容易计算出损失（二分类问题一般采用交叉墒损失）。
对于 CTR 和 CVR 这种多任务场景，需要将 CTR Loss 和 CVR Loss 加权融合作为最终的损失，进而指导训练模型。

2.特征工程中的 Embedding

2.1 ID 类特征

在 User Feature 和 Item Feature 中，User ID 和 Item ID 是最为重点的特征之一，是典型的 “高维稀疏” 特征。直接以原始数据形式输入模型是不行的，必须经过 Embedding Layer 的处理。在此，以 Item ID 为例，Embedding 处理的代码如下：

# 模拟生成商品特征，其中 item_id 取值[1, 10000]
num_items = 10000
item_data = {'item_id': np.arange(1, num_items + 1),'item_category': np.random.choice(['electronics', 'books', 'clothing'], size=num_items),'item_brand': np.random.choice(['brandA', 'brandB', 'brandC'], size=num_items),'item_price': np.random.randint(1, 199, size=num_items)
}# 基于 TensorFlow 对原始的 item_id 进行 Embedding 处理，分为两步
item_id = feature_column.categorical_column_with_identity('item_id', num_buckets=num_items)
item_id_emb = feature_column.embedding_column(item_id, dimension=8)

1. 分类列的创建：categorical_column_with_identity

item_id = feature_column.categorical_column_with_identity('item_id', num_buckets=num_items)

功能：将输入的整数 item_id 直接映射为分类标识。例如，若 num_items=1000，则输入的 item_id 必须是 [0,
1, 2, …, 999] 范围内的整数。
本质：这类似于对 item_id 做 One-Hot 编码（但底层实现更高效，不显式生成稀疏矩阵）。

2.嵌入列的创建：embedding_column

item_id_emb = feature_column.embedding_column(item_id, dimension=8)

功能：将高维稀疏的分类 ID（如 num_items=1000 维的 One-Hot 向量）映射到低维稠密的连续向量空间（维度为 8）。
关键点：嵌入矩阵的维度是 [num_items, 8]，即每个 item_id 对应一个 8 维向量。这个嵌入矩阵是一个可训练参数，初始值随机（如 Glorot 初始化），通过神经网络的反向传播逐步优化。

3.嵌入向量的训练过程

何时生成：嵌入矩阵的值并非预先计算，而是在模型训练时动态学习。
如何学习：
1-输入数据中的 item_id 会触发嵌入层查找对应的 8 维向量。
2-在反向传播时，优化器（如Adam）根据损失函数的梯度调整嵌入矩阵的值。
3-模型通过最小化损失函数，迫使相似的 item_id 在嵌入空间中靠近，从而捕捉潜在语义关系（如用户行为中的物品相似性）。

4. 嵌入层的底层实现

当你在模型中调用 item_id_emb 时，TensorFlow 会隐式完成以下操作：

# 伪代码解释
embedding_matrix = tf.Variable(  # 可训练参数initial_value=tf.random.uniform([num_items, 8]), name="item_id_embedding"
)
# 根据输入的item_id查找嵌入向量
item_id_emb = tf.nn.embedding_lookup(embedding_matrix, input_item_ids)

5. 嵌入的优势

降维：将高维稀疏特征压缩为低维稠密向量（例如从1000 维的 One-Hot 降到 8 维）。
语义学习：模型自动学习嵌入空间中的几何关系（如相似物品的向量距离更近）。
泛化性：即使某些 item_id 在训练数据中出现次数少，其嵌入向量仍可通过相似物品的梯度更新得到合理表示。

6. 完整流程示例

假设你的模型是一个推荐系统，处理流程如下：

输入层：接收原始特征（如 {‘item_id’: 5}）。
特征转换：通过 item_id_emb 将 item_id=5 转换为一个 8 维向量。
神经网络：将嵌入向量输入全连接层（如 DNN）、激活函数等后续结构。
训练：通过损失函数（如点击率预测的交叉熵）反向传播，更新嵌入矩阵和其他权重。

2.2 类别特征

以用户性别为例：

# 模拟生成用户特征，其中用户性别是可以枚举的类别特征：male，female
user_data = {'user_id': np.arange(1, num_users + 1),'user_age': np.random.randint(18, 65, size=num_users),'user_gender': np.random.choice(['male', 'female'], size=num_users),'user_occupation': np.random.choice(['student', 'worker', 'teacher'], size=num_users),'city_code': np.random.randint(1, 2856, size=num_users),  # 城市编码，中国有 2856 个城市'device_type': np.random.randint(0, 5, size=num_users)  # 设备类型（0=Android,1=iOS等）
}
# 对性别特征进行 Embedding 处理
user_gender = feature_column.categorical_column_with_vocabulary_list('user_gender', ['male', 'female'])
user_gender_emb = feature_column.embedding_column(user_gender, dimension=2)

1. 定义分类特征列

代码如下：

user_gender = feature_column.categorical_column_with_vocabulary_list('user_gender', ['male', 'female'])

作用：将字符串类型的性别特征（如 ‘male’ 或 ‘female’）映射为整数索引。
细节：输入特征名为 ‘user_gender’，词汇表为 [‘male’, ‘female’]。模型会根据词汇表将 ‘male’ 编码为
0，‘female’ 编码为 1。如果输入的值不在词汇表中（如 ‘unknown’），默认会被映射为 -1（可通过
num_oov_buckets 参数调整）。

2. 创建嵌入列（Embedding Column）

如下代码：

user_gender_emb = feature_column.embedding_column(user_gender, dimension=2)

作用：将稀疏的整数索引转换为密集的低维向量（嵌入向量）。
细节：
1.嵌入矩阵的维度：嵌入矩阵的形状为 (vocab_size, embedding_dimension)，即 (2, 2)。行数 2：对应词汇表中的两个类别（male 和 female）；列数 2：指定的嵌入维度 dimension=2。
2.嵌入初始化：嵌入向量的初始值默认通过随机均匀分布生成（可通过 initializer 参数自定义）。
3.训练过程：嵌入向量会在模型训练时通过反向传播自动优化，学习与任务相关的语义表示。

2.3 数值特征

数值特征是一种简单的特征，按照常理，可以直接用原始数据进行模型训练和预测，然而，由于不同类型的数值特征存在 “量纲差异”，从而使得不同类型的数值特征 “不可比较”（如年龄数值区间（0～150），价格区间（0～10000000）），因此，数值特征也需要处理，比如标准化/归一化，好处如下：

统一特征尺度，避免梯度下降因不同特征量纲而震荡。
所有特征在相同尺度下，模型权重更新更均衡。
L1/L2正则化对所有特征施加相似强度的惩罚。

以用户年龄为例：

scaler_age = StandardScaler()
df['user_age'] = scaler_age.fit_transform(df[['user_age']])
user_age = feature_column.numeric_column('user_age')

1. 数据标准化处理

代码如下：

scaler_age = StandardScaler()

作用：创建一个标准化处理器，用于对数值型特征（如年龄）进行均值方差标准化（Z-Score标准化）。
细节：StandardScaler 是 scikit-learn 库中的标准化工具，核心操作为：标准化值 =（原始值−均值）/ 标准差 标准化后，数据分布均值为 0，标准差为 1，消除量纲差异。适用于数值范围大、分布不均衡的特征（如年龄范围可能从 0 到 100）。

2.应用标准化到年龄列

代码如下：

df['user_age'] = scaler_age.fit_transform(df[['user_age']])

作用：对 DataFrame 中的 user_age 列进行拟合和转换，实现标准化。
细节：
1. fit_transform 两步合并。fit：计算 user_age 列的均值（μ）和标准差（σ）。transform：使用公式：（X−μ）/ σ，对所有样本进行标准化。
2. 示例：假设原始年龄数据为 [20, 30, 40]，均值为 30，标准差为 8.16，标准化后为 [-1.22, 0, 1.22]。
3. 存储参数：scaler_age 对象会保存计算出的 μ 和 σ，便于后续对新数据（如测试集）使用 transform 而非重新拟合。

3.创建数值特征列

代码如下：

user_age = feature_column.numeric_column('user_age')

作用：定义 TensorFlow 模型可接收的数值型特征列，将标准化后的年龄值直接输入模型。
细节：
1. 输入数据类型：该列接收的是连续数值（如标准化后的 -1.22、0、1.22）。
2. 模型中的处理：在训练时，每个样本的 user_age 值会以浮点数形式直接传递给神经网络，无需进一步编码。
3. 参数扩展性：可结合其他参数增强特征（例如 normalizer_fn 可添加自定义归一化，但此处已提前标准化，通常不再需要）。