使用TFRS构建自定义推荐模型时计算分数遇ValueError问题求助

问题根源 #

从报错信息来看，你的user_embeddings实际形状为[?, 1]，而非预期的[?, 32]，导致矩阵乘法时维度不兼容。你定义的用户模型最后一层是Dense(32)，理论输出应为32维embedding，问题出在用户特征输入的flat_embeddings处理环节。

排查与修复步骤 #

1. 确认用户模型输出维度

   • 在用户模型的输出层后添加打印语句，验证输出形状：

     user_output = Dense(32, activation='relu')(user_dense1)
     print(f"user_output shape: {user_output.shape}")  # 预期应为(None, 32)
     user_model = Model(inputs=[...], outputs=user_output)
     

   • 检查flat_embeddings的生成逻辑：如果是对用户特征embedding做flatten操作，确保没有错误地将多维特征压缩为1维。例如，多个embedding拼接后应保持[batch_size, n_features]的形状，再传入Dense层。

2. 根据场景选择正确的分数计算方式

   • 排序训练场景（每个样本是用户+配对物品）
     此时user_embeddings和stim_embeddings均为[batch_size, 32]，用点积计算单个样本的分数：

     # 逐元素相乘后求和，得到shape [batch_size]的分数数组
     scores = tf.reduce_sum(user_embeddings * stim_embeddings, axis=1)
     # 或用tf.einsum更直观表达点积
     scores = tf.einsum('bi,bi->b', user_embeddings, stim_embeddings)
     

   • 召回场景（用户对所有候选物品打分）
     此时user_embeddings为[batch_size, 32]，stim_embeddings为所有物品的embedding矩阵[num_items, 32]，用矩阵乘法生成[batch_size, num_items]的分数矩阵：

     scores = tf.matmul(user_embeddings, stim_embeddings, transpose_b=True)
     

3. 临时维度修正（若需快速验证）
   如果暂时无法定位模型输出维度异常的根源，可手动强制调整embedding维度：

   # 将user_embeddings重塑为32维
   user_embeddings = tf.reshape(user_embeddings, (-1, 32))
   # 确保stim_embeddings也为32维
   stim_embeddings = tf.reshape(stim_embeddings, (-1, 32))
   # 再计算分数
   scores = tf.reduce_sum(user_embeddings * stim_embeddings, axis=1)
   

内容的提问来源于stack exchange，提问作者exanos