我有一个数据集，其中包含一个带有 URL 的列和另一个带有值 0 或 1 的列，指示它是否是网络钓鱼链接。
我想使用 LSTM 处理这个数据集。我需要先将字符串列转换为其他数据类型吗？
我希望使用的模型如下所示：
# Model building using the Sequential API
model3 = Sequential()
model3.add(Dense(10, activation='relu',
kernel_initializer='uniform',input_dim=x3.shape[1]))
# Add a LSTM layer with 128 internal units.
model3.add(layers.LSTM(128))
# Add a Dense layer with 10 units.
model3.add(layers.Dense(10))
我需要先将字符串列转换为其他数据类型吗？
是的，这非常重要。神经网络不将原始单词和/或字母作为输入。文本信息必须经过数字处理才能输入模型。
我想了想，想出了三件你可以做的事情：
正如建议的那样，使用one-hot encoding 。我不喜欢这个选项：one-hot 编码生成非常稀疏的矩阵，这意味着每一步几乎所有维度的变化都非常小。而且，网站数量多得离谱，通过one-hot编码可能无法管理。此外，它并不健壮：您的模型必须在看不见的数据上进行测试，根据定义，这些数据无法使用该技术进行操作。此外，某些网站可能与其他网站或多或少相似，它们对您的模型扮演或多或少相似的角色；但是 one-hot encodind 无法表示它们的差异：如果您计算它们之间的任何距离度量，它们看起来都同样不同。
假设您正在使用序列，我的主要建议是使用嵌入向量来表示 Web USL 。就像在 NLP 中可以将单词翻译成嵌入向量一样（word2vec 或 glove 就是这种情况），您可以应用相同的技术来表示网站的“相对含义”。通过这种方式，您可以：a) 控制维数，b) 拥有模型所需的非稀疏矩阵。你最终会得到一个完全适合 RNN 的web2vec模型。此外，模型可以毫不费力地学习新的、看不见的网站的含义。这可以通过库（如gensim）或使用 KerasEmbedding()层来完成。
一个更极端、更耗时的选择是使用字符嵌入。仅当您认为网站名称本身包含与您的任务相关的信息时，这才会有用。我不确定是不是这样。字符级嵌入产生非常复杂的模型，但它们的计算成本比其他模型高。而且我不确定它们对您的情况是否有用。
如果让我选择，我会选择选项 2。
最后，让我提示一下：不要在Dense()图层之前放置LSTM()图层。首先，循环层处理顺序数据，然后将它们的输出发送到执行预测的密集层。输出层应该有一个节点 + Sigmoid 激活 + 二元交叉熵损失，或者两个节点 + Softmax 激活 + 分类交叉熵损失。根据你喜欢的。
您可以使用one-hot 编码将您的域编码为 char 数组。那么你的训练样本应该有维度（样本、最长域长度、所有使用的字符）。这是一个代码示例：
import pandas as pd
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM
# make some fake samples
urls = ['https://datascience.stackexchange.com/',
'https://github.com/',
'www.google.com/']
labels = [1,0,1]
df = pd.DataFrame(zip(urls, labels),
columns=['domain', 'label'])
# Make it all to a long string
concat_domains = '\n'.join(df['domain']).lower()
# Find all unique characters by using set()
chars = sorted(list(set(concat_domains)))
num_chars = len(chars)
# Build translation dictionaries, 'a' -> 0, 0 -> 'a'
char2idx = dict((c, i) for i, c in enumerate(chars))
idx2char = dict((i, c) for i, c in enumerate(chars))
# Use longest name length as our sequence window
max_sequence_length = max([len(name) for name in df['domain']])
# build dataset with domains as one-hot encoded chars
X = np.zeros((df.shape[0], max_sequence_length, num_chars), dtype=np.bool)
y = df['label'].values
for i, sequence in enumerate(df['domain']):
for j, char in enumerate(sequence):
X[i, j, char2idx[char]] = 1
# build a model with input dim: (length of longest domain name, number of unique chars found)
model = Sequential()
model.add(LSTM(64, input_shape=(max_sequence_length, num_chars)))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
# train for 10 epochs
model.fit(X, y, epochs=10)