TensorFlow Embedding层在双塔推荐系统中触发InvalidArgumentError

• 核心架构错误：完全误用了Embedding层的输入逻辑。Embedding层的输入应为原始整数ID，通过ID直接查询对应的嵌入向量。你在ID输入和Embedding层之间加了全连接层，将整数ID转换成了浮点数张量，传入Embedding层时被当成索引读取，自然会出现远超合法范围的异常数值，本次报错的329416640就是全连接层的输出结果。
• 次要潜在问题：你统计词典长度用的是全量client_data的去重ID数，如果没有做ID连续化映射，即便直接传入原始ID也可能出现超出索引范围的问题，但本次报错不属于该场景。

• 第一步：修正模型架构，删掉ID输入与Embedding层之间的全连接层，明确指定输入为整数类型，修正后代码如下：

#user input network
input_clients = tf.layers.Input(shape=[1], dtype=tf.int32)
embed_clients = tf.layers.Embedding(client_vocab_len+1, 15)(input_clients)
clients_out = tf.layers.Flatten()(embed_clients)

#product input network
input_products = tf.layers.Input(shape=[1], dtype=tf.int32)
embed_products = tf.layers.Embedding(libelle_vocab_len+1, 15)(input_products)
products_out = tf.layers.Flatten()(embed_products)


conc_layer = tf.layers.Concatenate()([clients_out, products_out])
x = tf.layers.Dense(128, activation='relu')(conc_layer)
#x = tf.layers.Dropout(0.3)(x)
x = tf.layers.Dense(128, activation='relu')(x)
x_out = tf.layers.Dense(1, activation='relu')(x)
model = tf.Model([input_clients, input_products], x_out)

• 第二步：做ID连续化映射：如果原始CLI_ID、prod_id不是从0开始的连续整数，需要建立映射字典，将所有出现过的业务ID转换为0到对应词汇量-1的连续值，避免合法业务ID超出Embedding索引范围。
• 第三步：训练前增加异常值校验，执行以下代码确认训练、测试集中的ID都在合法范围内：

# 校验用户ID范围
assert Xtrain.CLI_ID.max() < client_vocab_len + 1
assert Xtest.CLI_ID.max() < client_vocab_len + 1
assert Xtrain.CLI_ID.min() >= 0
assert Xtest.CLI_ID.min() >= 0

# 校验商品ID范围
assert Xtrain.prod_id.max() < libelle_vocab_len + 1
assert Xtest.prod_id.max() < libelle_vocab_len + 1
assert Xtrain.prod_id.min() >= 0
assert Xtest.prod_id.min() >= 0

内容的提问来源于stack exchange，提问作者JK2018