Embedding层不能直接接原始类别ID，因其要求输入为从0开始的连续非负整数索引；若用pandas category.codes需检查并处理-1（未见类别），推荐用StringLookup或IntegerLookup构建确定性映射表。
Embedding层为什么不能直接接原始类别ID
因为 tf.keras.layers.Embedding 期望输入是整数索引（从 0 开始），而原始类别特征（比如字符串或不连续的 ID）无法直接喂进去。常见错误是把 pandas 的 category.codes 直接丢给 Embedding，结果遇到 IndexError: index out of bounds——本质是没对齐词汇表大小和最大索引值。
关键点：Embedding 层的 input_dim 必须 ≥ 所有输入索引的最大值 + 1，且索引必须是连续非负整数（0, 1, 2, ..., N−1）。
- 用
pd.Categorical(...).codes后要检查是否含 −1（未见过的类别），需提前映射为统一的unknown_id - 更稳妥的做法是用
tf.keras.utils.StringLookup或tf.keras.layers.IntegerLookup构建确定性映射表 - 如果类别数极少（
如何用StringLookup + Embedding串联处理字符串类别
这是最贴近生产场景的写法：输入是字符串（如 "red", "blue"），输出是稠密向量。中间必须插入查找层做“字符串→整数”转换，否则 Embedding 会报 InvalidArgumentError: input must be integers。
lookup = tf.keras.layers.StringLookup(vocabulary=["red", "blue", "green"], oov_token="[UNK]") embedding = tf.keras.layers.Embedding(input_dim=lookup.vocab_size(), output_dim=4) <h1>正确调用顺序</h1><p>x = ["red", "red", "blue", "unknown"] # 注意含 OOV ids = lookup(x) # → [1, 1, 2, 0]（[UNK] 映射为 0） emb = embedding(ids) # shape: (4, 4)
-
vocabulary必须显式传入，不能靠 fit；若数据动态变化，需用adapt()预先统计 -
oov_token对应的索引固定为 0，所以input_dim要设为vocab_size() + 1（除非你禁用 OOV） - Embedding 输出是 3D 张量（batch, seq_len, embed_dim），单个类别字段通常需
tf.squeeze(..., axis=1)压平
多个类别特征共用一个Embedding层是否可行
可以，但仅当这些特征语义高度相关（比如“商品品牌”和“店铺品牌”），否则会引入错误耦合。强行共享会导致梯度混杂、训练不稳定，典型表现是某个特征的 AUC 突然下降而另一个上升。
- 独立 Embedding 更安全：每个特征配专属
tf.keras.layers.Embedding，input_dim按各自唯一值数量设 - 若真要共享，必须确保所有特征的 lookup 映射到同一整数空间（例如统一用全局 vocab），且
input_dim覆盖全部可能 ID - 注意 Keras 默认不支持跨特征复用 Embedding 权重，需手动用
embedding_layer(trainable=True)调用两次，或用tf.Variable显式绑定
Embedding层输出后要不要加Dropout或Normalization
要，尤其在小数据集或高维嵌入时。Embedding 层本身不带正则，容易过拟合，常见症状是训练 loss 持续下降但验证 auc 停滞甚至下跌。
- 推荐在 Embedding 后立即接
tf.keras.layers.Dropout(0.2)，比在 Dense 层后加更有效 - BatchNorm 对 Embedding 输出效果一般（均值方差随 batch 波动大），LayerNorm 更合适：
tf.keras.layers.LayerNormalization() - 如果后续接的是 Attention 或 Transformer 结构，Embedding 输出通常还需加上位置编码（
pos_encoding），但纯 MLP 场景不需要
真正容易被忽略的是 Embedding 的初始化方式——默认 random_uniform 在类别分布极度偏态时效果差，可改用 tf.keras.initializers.GlorotNormal(seed=42) 并配合类别频率加权采样。
