TensorFlow实现GMF时嵌入向量维度不匹配无法点乘报错

• Keras的Embedding层原生接收整数格式的ID作为输入，不需要提前做One-hot编码。你额外加的One-hot步骤把输入形状从[batch_size, 1]变成了[batch_size, 1, 词表长度]，喂给Embedding后会对词表每个位置都生成一个latent_dim长度的向量，最终输出多了一维：
  • 词表长度为671的侧，Embedding输出形状为[None, 1, 671, 15]，展平后长度是1*671*15=10065
  • 词表长度为9066的侧，Embedding输出形状为[None, 1, 9066, 15]，展平后长度是1*9066*15=135990
• 两个展平后的向量长度不匹配，自然无法执行点乘操作，和报错信息完全对应。

直接删除多余的One-hot编码步骤，把原始整数ID直接传入Embedding层即可。此时Embedding只会为当前输入的单个ID查找对应的隐向量，输出形状为[batch_size, 1, latent_dim]，展平后两侧向量长度均为latent_dim=15，维度完全匹配，可以正常点乘。

修正后的可运行代码：

import tensorflow as tf
from tensorflow.keras import Input, Model
from tensorflow.keras.layers import Embedding, Flatten, dot
from sklearn.model_selection import train_test_split

num_users = len(dataset.user_id.unique())
num_movies = len(dataset.movie_id.unique())
train, test = train_test_split(dataset, test_size=0.2)

latent_dim = 15
# 电影侧输入与嵌入
movie_input = Input(shape=(1,), name='movie-input', dtype='int64')
# 直接传入ID到Embedding，不需要one-hot
movie_embedding = Embedding(num_movies + 1, latent_dim, name='movie-embedding')(movie_input)    
movie_vec = Flatten(name='movie-flatten')(movie_embedding)

# 用户侧输入与嵌入
user_input = Input(shape=(1,), name='user-input', dtype='int64')
# 直接传入ID到Embedding，不需要one-hot
user_embedding = Embedding(num_users + 1, latent_dim, name='user-embedding')(user_input)
user_vec = Flatten(name='user-flatten')(user_embedding)

# 两个向量维度均为[None,15]，可正常点乘
prod = dot([movie_vec, user_vec], axes=1, normalize=False)
model = Model([user_input, movie_input], prod)
model.compile('adam', 'mean_absolute_error')

修复后各层输出维度如下，完全符合GMF的计算逻辑：

• 输入层：[None, 1]
• 用户Embedding输出：[None, 1, 15]
• 电影Embedding输出：[None, 1, 15]
• 展平后用户隐向量：[None, 15]
• 展平后电影隐向量：[None, 15]
• 点乘输出：[None, 1]

内容的提问来源于stack exchange，提问作者RED أحمر