深入理解embedding

深入理解embedding

背景： 在广告系统中，ctr、cvr预估模型训练时通常将样本转换成embedding输入网络进行训练，得到最终的预估值。embedding被称为sparse model、大模型等，是模型训练和预估中极其重要的一环。但关于embedding的含义和使用对于非科班人士比较晦涩，在这里对embedding的引入、含义、应用作系统性的介绍。

分类数据 及表示方法

分类数据：从有限候选集中选择一个或多个离散项作为输入特征，如电影集、单词集

在分类数据的表示上，最直接的方法使用id唯一表示候选集中的项，但在训练的时候会带来维度的不统一，以电影集为例，对于不同用户观看过的电影数量不同，导致特征维度不同。一个有效的方法是稀疏向量表示，类似one hot 编码。（另一种说法是将每个稀疏向量表示为数字向量，以便语义上相似的项（电影或单词）在向量空间中具有相似的距离）

ont hot编码：将离散的分类变量转换为稀疏的二进制向量表示，以便更好地在机器学习模型中使用。One-Hot编码将每个分类变量的取值映射为一个只有一个元素为1，其余元素为0的向量。向量的长度等于分类变量的取值个数。对于给定的样本，如果它属于某个分类变量的某个取值，那么该取值对应的位置为1，其他位置为0。

但one hot编码及衍生的离散变量表示仍存在显著的缺点：one hot vector维度太大，以及不同向量之间的距离刻画问题。大型稀疏向量直接导致网络层的节点数巨大，这意味着训练需要的有效数据量也要非常大才行，另一方面训练时的运算量也会成倍增加。 而向量中相邻的两个值并不见得有相近的语义关系，无法表示特征之间的相似性。

Embedding引入

embedding可以很好解决上述分类数据表示的问题。embedding将大型离散向量转换到具有语义相似性的低维向量空间中，即将高维、稠密的向量映射到低维、连续的向量空间中。如大小为999的词汇集，映射到8维的embedding，维度直接少了两个数量级。在embedding中，语义不同的向量表示通常距离很远，这样同时解决了维度、语义两个问题。

embedding是一个矩阵，每列表示item的向量表示，要获取单个item的稠密向量，就检索对应的列。参照tensorflow中的tf.nn.embedding_lookup函数。

在推荐算法中，embedding的获取当做网络训练的一部分，这种方法可以为特定系统定制良好的embedding。

应用

以tensorflow中api的使用来说明分类数据到模型输入embedding的过程

tf.feature_column.categorical_column_with_vocabulary_list：用于创建分类特征列的方法。它用于将离散的分类特征转换为可以输入到 TensorFlow 模型中的特征列对象。

tf.feature_column.embedding_column：用于将分类特征转换为嵌入（embedding）向量

具体过程如下（来自于chatgpt）：

1. 索引化特征列（IndexedCategoricalColumn）：首先，将分类特征列转换为索引化特征列。索引化特征列将原始的离散取值映射为整数索引，以便后续处理。这样可以将离散的分类特征转化为数值型的索引表示。
2. 嵌入表查找（Embedding Table Lookup）：在训练过程中，tf.feature_column.embedding_column 方法会创建一个嵌入表（embedding table），该表将每个离散取值映射为一个嵌入向量。嵌入表是一个可训练的参数，其维度由指定的嵌入维度决定。
3. 嵌入向量提取（Embedding Vector Extraction）：通过索引化特征列的取值在嵌入表中进行查找，得到相应的嵌入向量。每个索引对应于嵌入表中的一行，该行表示该索引对应的嵌入向量。
4. 嵌入向量合并（Embedding Vector Aggregation）：如果数据集中包含多个分类特征列，那么在最后的嵌入层中，这些嵌入向量将被合并为一个更大的嵌入向量或嵌入矩阵。这样可以将不同特征的嵌入向量进行组合，形成更丰富的特征表示。

import tensorflow as tf

# 定义数据集
data = {
    'gender': ['male', 'female', 'male', 'female', 'male'],
    'occupation': ['engineer', 'doctor', 'teacher', 'doctor', 'engineer']
}

# 创建分类特征列
gender_column = tf.feature_column.categorical_column_with_vocabulary_list(
    key='gender',
    vocabulary_list=['male', 'female']
)
occupation_column = tf.feature_column.categorical_column_with_vocabulary_list(
    key='occupation',
    vocabulary_list=['engineer', 'doctor', 'teacher']
)

# 创建嵌入特征列
embedded_gender_column = tf.feature_column.embedding_column(
    categorical_column=gender_column,
    dimension=3  # 指定嵌入维度
)
embedded_occupation_column = tf.feature_column.embedding_column(
    categorical_column=occupation_column,
    dimension=5  # 指定嵌入维度
)

# 将特征列转换为输入层
input_layer = tf.keras.layers.DenseFeatures([
    embedded_gender_column,
    embedded_occupation_column
])

# 构建模型，此处仅为示例
model = tf.keras.Sequential([
    input_layer,
    # 添加其他层...
])

# 编译和训练模型...

tf.feature_column.embedding_column 方法将离散特征 occupation 转换为嵌入特征。

嵌入表查找的过程可以简述如下：

1. 首先，我们定义了一个嵌入矩阵，其中每一行对应一个离散特征的嵌入向量。在这个例子中，假设我们的嵌入矩阵是一个维度为 (4, 3) 的矩阵，表示有 4 个不同的职业（'engineer'、'teacher'、'doctor'、'artist'）和每个职业对应的 3 维嵌入向量。
2. 当模型输入包含离散特征 occupation 时，我们可以使用 tf.nn.embedding_lookup 函数来进行嵌入表的查找。该函数接受两个参数：嵌入矩阵和要查找的索引。
3. 对于每个样本中的 occupation 特征，我们将其整数索引作为输入传递给 tf.nn.embedding_lookup 函数。函数将会在嵌入矩阵中查找对应索引的嵌入向量。
4. 最后，tf.nn.embedding_lookup 函数返回的是查找到的嵌入向量。这些嵌入向量可以作为模型的输入，用于表示离散特征的信息。

import tensorflow as tf

# 嵌入矩阵，维度为 (4, 3)
embedding_matrix = tf.Variable([[0.1, 0.2, 0.3],
                                [0.4, 0.5, 0.6],
                                [0.7, 0.8, 0.9],
                                [1.0, 1.1, 1.2]])

# 索引化特征列
occupation_column = tf.feature_column.categorical_column_with_vocabulary_list('occupation', vocabulary_list=['engineer', 'teacher', 'doctor', 'artist'])
indexed_occupation_column = tf.feature_column.indicator_column(occupation_column)

# 输入数据
inputs = {'occupation': [2, 0, 1]}  # 假设有 3 个样本

# 查找嵌入向量
embedded_occupation = tf.nn.embedding_lookup(embedding_matrix, indexed_occupation_column)
embedded_occupation = tf.keras.layers.Flatten()(embedded_occupation)  # 将嵌入向量展平

# 将嵌入向量作为模型的输入进行后续处理
# ...

# 在训练过程中，模型会根据损失函数对嵌入矩阵进行更新
# ...

refs:
深度学习中的embedding