推荐系统Embedding层的简单实践与代码超详细注释

推荐系统中，得Embedding者得天下，这也是面试中被高频提问的，所以务必要搞清楚其原理与基础的使用方法。

Embedding就是将正整数（索引值）转换为固定尺寸的稠密向量。 例如： [[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]

把Embedding讲的通俗易懂的建议看这篇

接下来我将以IMDB数据集进行实操（虽然很多人做过了，但我总觉得讲的不够清楚，所以自己重新注释和整合一下）

IMDB 数据集介绍 IMDB 数据集包含来自互联网电影数据库（IMDB）的 50 000 条严重两极分化的评论。
数据集被分为用于训练的 25 000 条评论与用于测试的 25 000 条评论，训练集和测试集都包含 50% 的正面评论和 50% 的负面评论。 train_labels 和 test_labels 都是 0 和 1 组成的列表，其中 0代表负面（negative），1 代表正面（positive）。
IMDB 数据集内置于 Keras 库。它已经过预处理：评论（单词序列）已经被转换为整数序列，其中每个整数代表字典中的某个单词。

熟悉数据集

看字不如直接看数据集：

from keras.datasets import imdb
from keras import preprocessing
from keras.models import Sequential
from keras.layers import Flatten, Dense, Embedding

# 特征单词数
max_words = 10000
# 在20单词后截断文本
# 这些单词都属于max_words中的单词
maxlen = 20
# 嵌入维度
embedding_dim = 8
# 加载数据集
# 加载的数据已经序列化过了，每个样本都是一个sequence列表
#仅保留训练数据中前 10 000 个最常出现的单词。低频单词将被舍弃。这样得到的向量数据不会太大，便于处理。
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_words)

详细看一下：

可以看出输入的训练数据是个序列化数据。这时候你再去看那一段字就很清晰了。

特征单词数 max_words = 10000的设置就是限制了只出现前10000个高频词语，也就是说，在x_train当中的数值，只会出现高频TOP10000.

x_train中，例如x_train[0]就是一条评论，有218个词；x_train[1]这条评论有189个词。

通过以下代码可转换为原来的句子，可以看一下（这段代码和后续建模无关）

# word_index is a dictionary mapping words to an integer index
word_i