使用Keras构建内容访问推荐模型训练时报Graph execution error如何解决

这个报错和布尔型访问标签、模型结构适配性没有关系，核心原因是内容Embedding层设置的可查询ID范围小于训练数据中实际传入的内容ID，触发了Embedding查表越界。

报错日志里已经给出了明确的错误提示：

indices[10,0] = 21530 is not in [0, 21025)
Node: 'model_10/content-Embedding/embedding_lookup'

意思是传入内容Embedding层的某条样本ID是21530，但你当前构建的内容Embedding只支持查询0~21024范围内的ID，超出范围直接触发执行错误。

常见触发场景 #

• 统计ID总数的逻辑错误：大概率是在拆分完训练集、测试集之后才统计n_content的数值，或者直接用去重后的内容计数作为Embedding层大小，没有考虑ID不连续、训练集包含统计范围外ID的情况。
• 代码字段残留：你是从之前的1-5分图书推荐代码改的，代码里混杂了旧的字段名（book_id、rating）和新数据集的字段名（public_id/content_id、visit），字段映射错误时会传入异常ID值。
• 旧模型缓存问题：如果本地已经存在之前训练图书推荐生成的regression_model.h5文件，代码会直接加载旧模型，旧模型的Embedding大小是基于旧的图书ID范围设置的，传入新的内容ID自然会越界。

修复方案 #

1. 拆分训练集、测试集之前，先基于全量访问数据统计ID最大值，Embedding层大小设为「最大ID+1」即可覆盖所有合法ID（ID从1开始计数，0预留作填充位）：

# 先执行全量ID统计，再做数据集拆分
n_users = visits['user_id'].max()
n_content = visits['public_id'].max() # 统一用你数据集里实际的内容ID字段名，不要一会用content_id一会用public_id

2. 统一所有代码段的字段名，把训练逻辑里残留的旧字段全部替换为当前数据集的对应字段：

# 修正后的训练调用，输入顺序、字段名和模型定义、数据集完全对应
history = model.fit(
    [train.user_id, train.public_id], 
    train.visit, 
    epochs=5, 
    verbose=1
)

3. 删除本地旧的regression_model.h5缓存文件，重新初始化模型训练，避免加载到旧参数的模型。

后续优化提示 #

你当前做的是0/1二分类预测任务，现在模型直接输出点积结果、用MSE作为损失函数并不适配，等修复越界问题后可以做两处调整：

• 在点积层后增加一个Sigmoid激活的全连接层，输出0~1区间的访问概率
• 损失函数替换为二分类交叉熵binary_crossentropy，训练时增加AUC、准确率作为评估指标，效果会比当前的回归设置好很多。

内容的提问来源于stack exchange，提问作者psyvic