大家好，又见面了，我是你们的朋友全栈君。
一般在计算softmax交叉熵时，需要用tf.nn.log_uniform_candidate_sampler对itemid做随机负采样。但是在类似dssm这种双塔模型中，item侧特征除了itemid外，还有其他meta特征，此时负样本对itemid做负采样后，还需要取相应负样本的meta特征。可是在tf训练数据中并不方便建立itemid与各类meta特征的映射表。
为了解决dssm类模型的负采样问题，可以取一个batch内其他用户的正样本做为本用户的负样本，以解决负采样meta特征问题。好了，废话少说，直接上代码
for i in range(NEG):
rand = int((random.random() + i) * batchSize / NEG)
item_y = tf.concat([item_y,
tf.slice(item_y_temp, [rand, 0], [batchSize - rand, -1]),
tf.slice(item_y_temp, [0, 0], [rand, -1])], 0)
prod_raw = tf.reduce_sum(tf.multiply(tf.tile(user_y, [NEG + 1, 1]), item_y), 1, True)
prod = tf.transpose(tf.reshape(tf.transpose(prod_raw), [NEG + 1, batchSize]))
# 转化为softmax概率矩阵。
prob = tf.nn.softmax(prod)
# 只取第一列，即正样本列概率。
hit_prob = tf.slice(prob, [0, 0], [-1, 1])
loss = -tf.reduce_mean(tf.log(hit_prob))
代码注解：
其中item_y和item_y_temp 初始化为item侧最后一层embedding值，shape为[batchSize, emb_size]。
user_y为user侧最后一层embedding值，shape为[batchSize, emb_size]。
NEG为负采样个数，batchSize为batch大小。
- 在每次循环中，通过rand值打乱item_y_temp的行顺序，相当于取其他用户的正样本做为本用户的负样本
- 经历NEG次循环后，item_y的shape变为[(NEG+1)*batchSize, emb_size]；注：item_y初始值有batchSize行，每次循环累加batchSize行
- 与user_emb点乘后，prod_raw的shape为[(NEG+1)*batch_size,1]，
- 经过reshape和转置后，prod的shape为[batch_size,(NEG+1)]；注：prod的第一列为正样本，其他列为负样本。
后面即可计算出采样后的softmax交叉熵了。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/149671.html原文链接：https://javaforall.net
![「镁客·请讲」百融金服张韶峰：为迎接大数据金融的风口，我们已准备了8年…[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
