Tensorflow处理变长特征

处理流程：

1. 变长特征分割成变长数组
2. 变长数据填充成规则数组，组成n * m的矩阵 (keras.preprocessing.sequence.pad_sequences)
3. 每一行数据进行embedding，结果可以按权重求平均、直接求平均、求最大值 得到 n*1结果矩阵

第3步求平均可以用tf.nn.lookup_embedding_sparse 来做，也可以在Embedding之后再加一层MaxPooling2D或者AVGPooling2D。

参考：

• https://www.machinecurve.com/index.php/2020/03/03/classifying-imdb-sentiment-with-keras-and-embeddings-dropout-conv1d/
  构建池化层时类似：

# Define the Keras model
model = Sequential()
model.add(Embedding(num_distinct_words, embedding_output_dims, input_length=max_sequence_length))
model.add(Dropout(0.50))
model.add(Conv1D(filters=32, kernel_size=2, padding='same', activation='relu'))
model.add(Dropout(0.50))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dropout(0.50))
model.add(Dense(1, activation='sigmoid'))

• https://zhuanlan.zhihu.com/p/141443615
  知乎的这个使用了lookup_embedding_sparse，自带根据权重求平均。

• https://zhuanlan.zhihu.com/p/94212544
  lookup_sparse 计算方法