LightFM v1.14混合推荐系统构建报错：用户特征矩阵维度不匹配

老哥，这个错误我之前帮人排查过好几次，本质就是你传入模型的用户特征矩阵的特征维度，和模型初始化/训练时设定的嵌入层维度对不上号了。咱们一步步来拆解问题、解决问题：

先搞懂错误根源 #

LightFM在初始化或第一次训练时，会根据你传入的用户/物品特征矩阵的列数（也就是特征数量），创建对应的特征嵌入层。之后如果再传入特征矩阵的列数变了，就会触发这个ValueError——模型已经固定了嵌入的维度，没法适配新的特征数。

针对性解决步骤 #

1. 先核对特征矩阵的维度一致性 #

不管是训练还是预测阶段，你用到的用户特征矩阵（如果有的话）必须保持完全相同的列数。先打印特征矩阵的形状确认：

# 假设你的用户特征矩阵是user_features_mat
print("用户特征矩阵形状:", user_features_mat.shape)

如果训练时用的是20列，预测时突然变成25列，肯定会报错，必须保证全程列数一致。

2. 检查交互矩阵与用户特征的用户映射 #

你当前构建交互矩阵的方式有个隐藏坑：

rows = data.loc[data['userID'].idxmax()]['userID'] + 1

如果你的userID不是连续的（比如有用户ID是1、3、5，最大是5，rows就会是6），那交互矩阵会有很多空行，但你的用户特征矩阵可能只有3行（对应3个实际用户），这就会导致后续模型匹配时维度错乱。

优化交互矩阵的构建逻辑：给用户ID重新编码成连续索引，保证行数等于实际用户数：

# 对用户、物品ID重新编码为连续索引，避免空行
data['user_idx'] = data['userID'].astype('category').cat.codes
data['item_idx'] = data['itemID'].astype('category').cat.codes

rows = data['user_idx'].nunique()
cols = data['item_idx'].nunique()

mat = sp.lil_matrix((rows, cols), dtype=np.int32)
for index, row in data.iterrows():
    if row['rating'] >= 4:
        mat[row['user_idx'], row['item_idx']] = row['rating']

这样交互矩阵的行数和实际用户数一致，和用户特征矩阵的行数就能对应上了。

3. 模型初始化与训练的参数要对齐 #

如果你用的是混合推荐模型（同时用用户+物品特征），要注意：

• 第一次训练模型时传入的user_features的特征数，会被模型记住，后续所有操作（继续训练、预测）都必须用相同特征数的矩阵。
• 比如你初始化模型时没传user_features，第一次训练传了，第二次训练又不传，或者换了不同特征数的矩阵，都会报错。

举个正确的示例：

from lightfm import LightFM

# 假设user_features_mat是固定30列的用户特征矩阵
model = LightFM(no_components=30)
# 第一次训练传入特征矩阵，模型会记住它的列数
model.fit(mat, user_features=user_features_mat, epochs=10)

# 后续预测或继续训练，必须传相同列数的特征矩阵
predictions = model.predict(user_ids=[0,1], item_ids=[2,3], user_features=user_features_mat)

4. 排查是否有特征动态变化的情况 #

如果你的用户特征是动态生成的（比如每次训练都新增了特征），那一定要保证特征集合固定。比如可以把所有可能的特征提前编码，用one-hot或embedding的方式固定维度，不要每次都新增特征列。

最后再验证一遍 #

按照上面的步骤调整后，先打印交互矩阵、用户特征矩阵的形状，确认：

• 交互矩阵的行数 == 用户特征矩阵的行数（如果用了用户特征）
• 所有阶段用的用户特征矩阵列数完全一致

这样就能解决这个维度不匹配的问题了。

内容的提问来源于stack exchange，提问作者David Limacher