如何用Keras实现文本（Embedding+LSTM）与数值特征融合的分类模型？

嘿，这个需求在Keras里用Functional API就能完美解决——这是处理多输入特征模型的标准方案，我给你捋清楚每一步，附上可直接运行的代码示例：

因为文本特征和数值特征的处理逻辑完全不同，得分开预处理：

文本特征处理 #

首先要把文本转成模型能识别的序列格式，用Keras自带的工具就能搞定：

from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences

# 假设texts是你的文本特征列表（比如每条评论内容）
tokenizer = Tokenizer(num_words=10000)  # 只保留前10000个高频词，可按需调整
tokenizer.fit_on_texts(texts)
text_sequences = tokenizer.texts_to_sequences(texts)
# 统一序列长度，太长截断、太短补0，maxlen根据你的文本平均长度调整
text_padded = pad_sequences(text_sequences, maxlen=100)

数值特征处理 #

数值特征（年龄、类别编码等）需要做标准化/归一化，避免不同尺度的特征影响模型训练：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 假设numeric_features是形状为(样本数, 数值特征数量)的二维数组
scaler = StandardScaler()
numeric_scaled = scaler.fit_transform(numeric_features)

用Functional API分别搭建文本分支和数值分支，最后把两个分支的输出拼接起来：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Embedding, LSTM, Dense, concatenate, Dropout

# ---------------------- 文本分支 ----------------------
# 定义文本输入层，shape对应预处理后的序列长度
text_input = Input(shape=(100,), name="text_input")
# Embedding层：把词序列转成词向量，input_dim要和Tokenizer的num_words一致
embedding = Embedding(input_dim=10000, output_dim=128, input_length=100)(text_input)
# LSTM层：提取文本的时序特征，return_sequences=False表示只取最后一个时间步的输出
lstm_out = LSTM(64, return_sequences=False)(embedding)
# 加Dropout防止过拟合
text_branch = Dropout(0.3)(lstm_out)

# ---------------------- 数值分支 ----------------------
# 定义数值输入层，shape对应数值特征的数量
numeric_input = Input(shape=(numeric_scaled.shape[1],), name="numeric_input")
# 用Dense层提取数值特征的非线性关系
dense1 = Dense(32, activation="relu")(numeric_input)
dense2 = Dense(16, activation="relu")(dense1)
numeric_branch = Dropout(0.3)(dense2)

# ---------------------- 拼接分支+输出 ----------------------
# 把两个分支的输出拼接在一起
concat_layer = concatenate([text_branch, numeric_branch])
# 再加一层Dense做特征融合
final_dense = Dense(8, activation="relu")(concat_layer)
# 最终输出层：二分类用sigmoid，多分类用softmax
output = Dense(1, activation="sigmoid")(final_dense)

# 定义完整模型，指定输入和输出
model = Model(inputs=[text_input, numeric_input], outputs=output)

最后就是编译模型、喂数据训练了：

# 编译模型：二分类用binary_crossentropy，多分类换categorical_crossentropy
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])

# 训练时要同时传入两个预处理后的输入特征
history = model.fit(
    [text_padded, numeric_scaled],
    labels,  # 你的标签数组（二分类是0/1，多分类是整数或one-hot编码）
    epochs=10,
    batch_size=32,
    validation_split=0.2  # 用20%数据做验证
)

• 文本序列的maxlen：要根据你的文本长度分布调整，比如先统计所有文本的长度，取95%分位数作为maxlen，避免浪费计算资源或丢失关键信息；
• 多分类适配：如果是多分类任务，把输出层的激活函数改成softmax，损失函数用sparse_categorical_crossentropy（标签是整数）或categorical_crossentropy（标签是one-hot编码）；
• 调参空间：可以根据样本量调整LSTM、Dense层的神经元数量，以及Dropout的比例，避免过拟合；
• 多文本特征：如果有多个文本特征（比如标题+正文），可以再加一个文本分支，最后一起拼接进concat层。

内容的提问来源于stack exchange，提问作者Sreeram TP