您可能正在寻找的网络架构类型的外壳可以合理地是：

{Input} -> {representation layers} -> {output}

您的问题有一些隐含的层次，首先：

• 如何获取各种类型的输入（数字数据与文本数据）
• 如何处理文本数据的表示？
• 如何处理 380,000 个输出类的输出？

所以，让我们一次解决这些问题。

如何获取各种类型的输入（数字数据与文本数据）

具体细节将在很大程度上取决于您使用的框架，例如，在基本 PyTorch 中实现它与在 Keras 或 Tensorflow 中实现它是不同的。

在任何情况下，您都可能希望为要以不同方式处理的数据类型定义不同的输入：

{Numeric Input}->|-- {Numeric Representation} -|
                                               |>{Dense Layer(s)} --> {Outputs}
{Text Input} --->|-- {Text Representation} ----|

如何处理文本数据的表示？

听起来您对此有意见，并且您想尝试：

{Numeric Input}->|-- {Numeric Representation} ->|
                                                |>{DenseLayer(s)} -> {Outputs}
{Text Input} --->|-> {CNN} -> {Embedding Layer}>|

这是一个完全合理的方法。形成文本数据适当表示的其他方法是循环单元，其中一种非常常用的文本数据类型是LSTM。

如何处理 380,000 个输出类的输出？

有一种非常简单直接的方法可以处理 380,000 个类。您只需将输出层设为具有 380,000 个单元的 softmax（逻辑）层。简单的。

>|-- {Numeric Representation} ----->|
                                    |---> >{DenseLayer(s)} -> {Softmax, 380000}
-->|-> {CNN} --> {Embedding Layer}->|

现在，支持该网络有效训练的训练数据集需要非常非常大。380000 个类中的每一个都需要得到训练样例的合理支持，以便训练好的网络能够区分这些类。

在不了解 380,000 个课程的详细信息的情况下，很难就处理这个困难提供建议（如果是一个，您可能需要处理数十亿个训练示例）。常见的方法是：

1. 从概念上对类进行分组——例如，将“狗”、“猫”和“鸟”组合成“动物”

2. 将类限制为感兴趣的类。如果您关心的类相对较少，您可以将类定义限制为每个类和“其他”。