机器学习PAI easyrec做RawFeature这种连续值特征输入时，怎么配置不做embedding层，直接将特征原值作为输入？不要使用Excel特征配置
机器学习PAI easyrec做RawFeature这种连续值特征输入时，直接将特征原值作为输入？[阿里云机器学习PAI]
「点点赞赏，手留余香」
还没有人赞赏，快来当第一个赞赏的人吧！
=====这是一个广告位，招租中，联系qq 78315851====
同尘云，您身边的云智能顾问
机器学习PAI easyrec做RawFeature这种连续值特征输入时，怎么配置不做embedding层，直接将特征原值作为输入？不要使用Excel特征配置
在阿里云的机器学习PAI（Platform for AI Innovation）中，EasyRec模型默认会将所有的特征（包括连续值特征）都进行embedding处理。这是因为EasyRec模型是基于深度学习的，深度学习模型通常需要输入的是数值向量，而不是原始的数值。
如果你想让连续值特征的原值直接作为输入，而不进行embedding处理，你可能需要修改EasyRec模型的源码。这需要一定的编程知识和对深度学习模型的理解。
另一种可能的方法是使用其他的机器学习模型，比如逻辑回归或者线性回归，这些模型可以直接接受原始值作为输入。但是这种方法可能会限制你的模型的性能，因为深度学习模型通常能够学习到更复杂的模式。
根据已知信息，可以通过配置FeatureConfig.FeatureType参数为RawFeature来表示连续值特征。然后，可以将EasyRecModel.embedding_regularization参数设置为0来禁用正则化，从而避免使用embedding层。这样就可以实现不做embedding层，直接将特征原值作为输入的配置。，此回答整理自钉群“【EasyRec】推荐算法交流群”
EasyRec可能并不直接支持将连续值特征的原始值作为输入，而是需要将其转换为嵌入向量。
然而，在 EasyRec 的官方文档中并没有明确指出这一点。此外，我也找不到相关的教程或指导说明如何将连续值特征的原始值直接用作 EasyRec 模型的输入。
在大多数推荐系统中，连续值特征通常需要进行一定的预处理才能更好地被模型理解。一般做法是将连续值特征转换为离散的整数值特征，例如通过等频或等宽分箱的方式。这样可以让模型更容易捕捉到特征之间的关系。