我想我可以理解他们来自哪里。关键区别在于我们谈论的是推理还是训练。

• 推理

没有什么能阻止你连接你的特征。无论是手工设计的还是神经网络的输出，都可以随意组合特征。

• 训练

如果您不打算通过训练更新嵌入，那么就没有问题。您的嵌入将被视为其他一些功能，您可以训练您的下游模型。

如果您想同时训练下游模型和嵌入层，这将变得很棘手。实际上，只有当您的完整模型（NN + 下游模型）是可微的时，您才能训练嵌入层。例如，如果下游模型是 KNN 模型，这是不可能的。

我想这就是他们说你不能连接嵌入和手工设计的特性时的意思。

我不同意你的面试官，并同意@JulioJesus 的评论。事实上，由于逻辑回归是一个简单的神经网络，面试官的陈述不可能是全局正确的。

但即使在更不同的情况下，例如作为最终分类器的决策树，我看不出有任何理由不应该同时包含预训练的嵌入特征和附加特征。您的树可能首先选择一些嵌入特征，然后为嵌入的每个结果子空间继续使用不同的附加特征。

现在确实，嵌入是由原始神经网络出于某种分类的目的而生成的，因此可能存在也可能不存在线性关系。从这个意义上说，嵌入特征可能无法在经典（尤其是线性）模型中发挥最佳作用。但在我看来，这与“不能使用”和“只能与神经网络一起使用”相去甚远。