自编码器简介

作用

AutoEncoder，中文译名自编码器。主要用于特征提取，可以理解为一种基于神经网络的压缩、降维算法，和PCA等类似。自编码器为一种有损压缩算法，通过压缩（编码）获得数据等抽象特征，并可以通过解压缩（解码），将抽象特征尽可能地还原成原始数据。
因此，根据原PPT中对自编码器“学习用户高度抽象的特征”这一描述，可以推测出在模型任务中，主要使用自编码器对数据进行特征提取。

网络结构

自编码器网络结构分为两部分：编码器和解码器，在训练时需要同时训练编码器和解码器，在使用时可以根据实际需要，单独运行编码器或解码器。自编码器基本都基于神经网络实现，根据数据种类的不同，具体使用不同的网络结构。例如，对于图片使用“卷积-最大池化”交替的网络结构，对于普通的特征向量，则一般使用全连接层。
例如，对于一个维度为784维的特征向量，使用如下网络结构构件自编码器，代码来自CSDN博客，使用Keras框架：

input_img = Input(shape=(784,))
encoded = Dense(128, activation='relu')(input_img)
encoded = Dense(64, activation='relu')(encoded)
decoded_input = Dense(32, activation='relu')(encoded) 
decoded = Dense(64, activation='relu')(decoded_input)
decoded = Dense(128, activation='relu')(decoded)
decoded = Dense(784, activation='sigmoid')(encoded)
autoencoder = Model(inputs=input_img, outputs=decoded)

对于784维的输入数据，通过3层全连接（Dense）层，压缩为32维的特征向量，然后再次经过3层全连接层，还原为784维的特征向量。

训练和使用

由于编码和解码是一个相对应的过程，所以训练时必须同时进行。自编码器网络的训练思路如下：
1. 对于输入数据，通过前文所述的网络结构进行计算，得到结果；
2. 将1中得到的结果和原始数据进行比较，得到损失；
3. 根据2中得到的损失优化网络；
4. 反复迭代至收敛。
训练完毕后，导出模型，即可开始使用。使用时往往仅涉及到编码，而不涉及解码，此时可以通过在网络中导出中间结果的方式，在使用时仅计算网络的前半部分，从而得到编码结果。
此时得到的编码结果即为高度抽象的用户特征。