在keras中的一组文档上应用共享嵌入层

我正在尝试创建一个模型，在该模型中，我希望在给定特定查询的情况下预测某组文档的顺序 . 我的想法基本上是为查询和文档使用共享嵌入层，然后使用每个文档和查询之间的余弦相似性合并两个“分支”（使用自定义lambda） . 然后，损失函数将计算预期位置和预测相似度之间的差异 .

我的问题是：有没有办法为一组文本功能创建嵌入（假设它们具有相同的长度）？

我可以通过应用Embedding Convolution1D GlobalMaxPooling1D在“类似doc2vec的嵌入”中正确转换我的查询，但我没有运气在文档集上使用相同的策略（并且重塑2D卷积对我来说没有意义，因为我我正在使用文本数据） .

请注意，我有一个约束，我需要为我的查询和文档集使用相同的嵌入层（我使用Keras的功能apis这样做） .

[编辑，添加示例代码]

Q = Input(shape=(5, ))    # each query is made of 5 words
T = Input(shape=(50, 50)) # each search result is made of 50 words and 50 docs

emb = Embedding(
    max_val,
    embedding_dims,
    dropout=embedding_dropout
)

left = emb(Q)
left = Convolution1D(nb_filter=5,
                     filter_length=5,
                     border_mode='valid',
                     activation='relu',
                     subsample_length=1)(left)
left = GlobalMaxPooling1D()(left)

print(left)
right = emb(T)   # <-- this is my problem, I don't really know what to do/apply here

def merger(vests):
    x, y = vests
    x = K.l2_normalize(x, axis=0)             # Normalize rows
    y = K.l2_normalize(y, axis=-1)            # Normalize the vector
    return tf.matmul(x, y)  # obviously throws an error because of mismatching matrix ranks

def cos_dist_output_shape(shapes):
    shape1, shape2 = shapes
    return (50, 1)

merger_f = Lambda(merger)

predictions = merge([left, right], output_shape=cos_dist_output_shape, mode=merger_f)

model = Model(input=[Q, T], output=predictions)

def custom_objective(y_true, y_pred):
    ordered_output = tf.cast(tf.nn.top_k(y_pred)[1], tf.float32)  # returns the indices of the top values
    return K.mean(K.square(ordered_output - y_true), axis=-1)

model.compile(optimizer='adam', loss=custom_objective)

[SOLUTION] 感谢Nassim Ben，像这样使用 TimeDistributed 将图层反复应用于图层的所有尺寸，如下所示：

right = TimeDistributed(emb)(T)
right = TimeDistributed(Convolution1D(nb_filter=5,
                        filter_length=5,
                        border_mode='valid',
                        activation='relu',
                        subsample_length=1)(right)
right = TimeDistributed(GlobalMaxPooling1D())(right)