我正在研究一个推荐问题，大致遵循他们的Youtube 论文。他们的代理问题是推荐用户将观看的​​下一个视频。他们在模型中包含的一个功能是表示观看历史记录（即用户观看了哪些视频），他们通过嵌入视频 ID 然后对该嵌入进行平均来实现这一点。

所以对于数据，他们可能...

[
    [1234, 5678, 9012],
    [1234],
    [9012, 1234, 8245],
]

并且这些 ID 中的每一个都嵌入到 8 个特征中，这 8 个特征对训练数据中的每个观察值进行平均，这 8 个平均特征输入到网络的深层。

tf.keras.preprocessing.sequence.pad_sequences现在我可以使用plusEmbedding()和的组合在 keras 中复制它GlobalAveragePooling1D()，并且效果相当好。我的问题是我想评估其他算法来解决同样的问题（毕竟，我的数据比 Youtube 少得多，所以我不确定我是否需要一个 NN）。我无法真正概念化如何处理这种历史“手表”的编码，尽管它可以在更传统的算法（如 sklearn 中的 XGBoost 或 RandomForests）中工作。Ordinal Encoding 和取平均值看起来很傻，我显然不能 OneHot 编码第 1 到第 n 个视频观看等等。任何有关如何解决此问题的想法将不胜感激。

编辑：

我想可能的FeatureHasher符合要求？它不是一个平均值，而是生成每个散列输入类别的总和。这仍然（默认情况下）会导致成千上万的功能，所以我不确定它是否会比 OneHotEncoding 有重大改进！

编辑2：

或者，也许我可以通过将类别数组连接成单个字符串并使用 CountVectorizer 创建一个 (n_samples, n_categories) 数组，然后使用TruncatedSVD将其减少到更易于管理的组件数量，将其视为文本嵌入问题。

我想我有几个想法，有人知道它们是否值得一试吗？