返回信息流现有一排信号灯（20个），在每一时刻只有一个灯在亮，其他灯不亮。基于以往2000个时刻的灯亮和不亮的数据，预测在t时刻这20个灯哪个亮哪个不亮。请问～1.解决这种问题可以考虑使用什么模型或方法，2. 已尝试过的方案：BP神经网络（20层），由于输入过于稀疏，导致输出结果中原始输入特征被全链接层淹没。lstm网，也是输入特征被淹没。nlp序列预测，也是被淹没。有什么办法或者预处理过程能解决数据稀疏性对神经网的影响。
这是一条镜像帖。来源：北邮人论坛 / acm-icpc / #95007同步于 2018/3/11
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ACM_ICPC机器人发帖
代问：如何解决数据稀疏性对神经网的影响
zhenzhenwang
2018/3/11镜像同步5 回复
订阅后，新回复会通过你的通知中心匿名送达。
5 条回复
感觉你是用的one-hot编码？改成密集型的表示方法就可以了嘛
另外因为不清楚lz这个问题的潜在实质是什么，但如果没有其他特征的话而且关系不强的话，2000个样本可能会比较难学习
【 在 jaegerstar 的大作中提到: 】
: 感觉你是用的one-hot编码？改成密集型的表示方法就可以了嘛
: 另外因为不清楚lz这个问题的潜在实质是什么，但如果没有其他特征的话而且关系不强的话，2000个样本可能会比较难学习
:
谢谢~我是代别人问的，我自己不搞这个方向，对这个是一窍不通，我只能把你们的回答原封不动的截图给他看[ema1]
而且你发错版啦，应该发去机器学习版
【 在 zhenzhenwang 的大作中提到: 】
: 谢谢~我是代别人问的，我自己不搞这个方向，对这个是一窍不通，我只能把你们的回答原封不动的截图给他看