Keras 如何在LSTM RNN中传递分类信息和数字特征

我有一个包含1000个用户的活动数据集。由于一个用户的活动不同于另一个用户，我希望用户属性也发送到LSTM RNN模型，以便模型能够更好地了解每个用户的行为。 我的数据集片段如下所示：

inputs = Input(shape = (timesteps, n_features))
L1 = LSTM(encoding_dim, activation='relu', return_sequences=True,
          kernel_regularizer=regularizers.l2(0.00))(inputs)
L2 = LSTM(hidden_dim, activation='relu', return_sequences=False)(L1)
L3 = RepeatVector(timesteps)(L2)
L4 = LSTM(hidden_dim, activation='relu', return_sequences=True)(L3)
L5 = LSTM(encoding_dim, activation='relu', return_sequences=True)(L4)
output = TimeDistributed(Dense(n_features))(L5)
lstm_model = Model(inputs=inputs, outputs=output)
lstm_model.summary()

我尝试了分类信息的一种热编码和二进制编码，但该模型没有产生好的结果。但将LSTM RNN模型应用于单个用户的数据（不包括用户变量）会产生良好的结果

我的lstm自动编码器异常检测模型片段如下：

inputs = Input(shape = (timesteps, n_features))
L1 = LSTM(encoding_dim, activation='relu', return_sequences=True,
          kernel_regularizer=regularizers.l2(0.00))(inputs)
L2 = LSTM(hidden_dim, activation='relu', return_sequences=False)(L1)
L3 = RepeatVector(timesteps)(L2)
L4 = LSTM(hidden_dim, activation='relu', return_sequences=True)(L3)
L5 = LSTM(encoding_dim, activation='relu', return_sequences=True)(L4)
output = TimeDistributed(Dense(n_features))(L5)
lstm_model = Model(inputs=inputs, outputs=output)
lstm_model.summary()

现在我试着

n_特征=22；特征数量[1（分类，一个热编码）+21（数字）]

编码_dim=16

隐藏尺寸=8

---

如何更好地处理分类属性，即使用此模型的用户变量？

我正在分享我的代码序列和测试都是分类

使用以下命令加载数据集： 列车尺寸=整数（长度（df）*（1-测试分割））

然后加载数据并使用以下方法对其进行训练： X_列，y_列，X_测试，y_测试=负载数据（）

model = create_model(len(X_train[0]))

print ('Fitting model...')
hist = model.fit(X_train, y_train, batch_size=64, nb_epoch=10, validation_split = 
0.1, verbose = 1)

score, acc = model.evaluate(X_test, y_test, batch_size=1)
print('Test score:', score)