如何学习领域的描述和可能的类别

Question

我有一个看起来像这样

是seq2seq一个正确的做法，所以我的模型可以了解在产品的文本之间的关系，产品之间的关系之间的关系（左列）和类别（右列），然后能够根据产品描述预测未来的类别？

Answer 1

Seq2Seq基本上有两种不同的回归神经网络连接在一起：编码器RNN其取得输入text tokens和解码器RNN启动基于来自编码器RNN输出产生text tokens。它是一个序列网络。但是我的看法是，输入是一个序列，输出是基于输入的类别。您最好尝试一个LSTM网络，它将您的输入序列通过embedding layer，然后将LSTM的最后一个hidden state传递到dense layer进行分类。

的LSTM型号为你的使用情况：

占位符输入和输出

# input batch of text sequences of length `seq_length` 
X = tf.placeholder(tf.int32, [None, seq_length], name='input') 

# Output class labels 
y = tf.placeholder(tf.float32, [None], name='labels') 

埋层

# For every word in your vocab you need a embedding vector. 
# The below weights are not trainable as we will `init` with `pre-trained` embeddings. If you dont want to do that set it to True. 
W = tf.get_variable(initializer=tf.random_uniform([vocab_size, embedding_size]), name='embed', trainable=False) 

# Get the embedding representation of the inputs 
embed = tf.nn.embedding_lookup(W, X) 

LSTM层

# Create basic LSTMCell, with number of hidden units as a input param 
def lstm_cell(): 
    return tf.contrib.rnn.BasicLSTMCell(n_hidden) 

# Create a stack of LSTM cells (if you need) 
stacked_lstm = tf.contrib.rnn.MultiRNNCell([lstm_cell() for _ in range(n_layers)]) 

# Create a dynamic RNN to handle the sequence of inputs 
output, _ = tf.nn.dynamic_rnn(stacked_lstm, x, dtype=tf.float32) 

# get the output of the last hidden state 
last_hidden = output[:, -1, :] 

最后的密铺呃

# output dimension should be `n_classes`. 
logits = dense_layer(last_hidden ...) 

这应该是你的型号。