我目前正在从事电子商务产品名称分类的任务，因此我在产品数据中有类别和子类别。我注意到使用子类别作为标签的结果（84% acc）比类别（94% acc）更差。但是子类别作为标签更精确，这对整个任务很重要。然后我有了一个想法，首先进行类别分类，然后根据结果继续预测类别中的子类别。
这里的问题是我不知道如何解决这个问题/定义网络架构。关于神经网络的任何提示，如何处理？
目前我这样定义网络：
model = Sequential()
model.add(Dense(400, input_shape=(FEATURE_NUM,)))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))
model.add(Activation('softmax'))
针对这个问题，需要开发三个模型：
Model 1- for two main categories
Model 2- for sub-category A
Model 3- For sub-category B
因此，当您要预测未见数据的结果时，首先使用模型 1来查找主要类别。根据预测并使用 if-else 语句，您决定使用Model 2或Model 3执行另一个预测。
因此，模型 1 是二分类任务，而模型 2&3 是多类分类任务。您的网络可能如下所示：
型号 1：
model1 = Sequential()
model1.add(Dense(60, input_dim=X.shape[1], activation='relu'))
...
model1.add(Dense(1, activation='sigmoid'))
model1.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
模型 2 和 3：
model2 = Sequential()
model2.add(Dense(8, input_dim=X.shape[1], activation='relu'))
...
model2.add(Dense(n_subcats, activation='softmax'))
model2.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
只是不要忘记为每个模型的主要和子类别使用正确的 y（标签）。
您要解决的是与我们非常熟悉的平面分类相比的层次分类问题。
已经做了一些工作来解决这些问题，并且已经表明，对于单个任务（例如，在您的案例类别和子类别中），单个统一模型优于多个平面分类器的分层架构。虽然，对于您正在处理的完全相同的问题，我没有任何参考可以分享，但是，这里有一篇论文的链接，该论文处理产品图像的层次分类A Unified Model with Structured Output for Fashion Images Classification。