EMNLPOct, 2021

面向短文本分类的分层异构图表示学习

PDF
TL;DR本文提出了一种基于图神经网络（GNN）的新方法 SHINE，构建了以单词为级别的组件图层次异构图，通过学习短文本图动态的进行标签传播，在各种基准短文本数据集上验证了其有效性和优越性。
short text classificationgraph neural networkshinehierarchical heterogeneous graphlabel propagation
发现论文，激发创造
  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • SHINE: 子超图归纳神经网络

    本研究提出了一种基于超图的感知神经网络模型以实现基于亚图的预测，并将其应用于癌症分析以获得分子层面的生物学功能洞察。

    Oct, 2022

  • 每个文档都有其结构：通过图神经网络进行归纳文本分类

    本文介绍了一种基于图神经网络的新方法 TextING，可用于词嵌入和归纳文本分类，并在四个基准数据集上进行了实验，取得了超过现有文本分类方法的优异成果。

    Apr, 2020

  • 基于文本级图神经网络的文本分类

    提出了一种新的基于图神经网络的模型，通过全局参数共享建立每个输入文本的图形而不是整个语料库的单个图形，这种方法支持在线测试，同时提取更多的本地特征和显著降低边缘数量以及内存消耗，在多个文本分类数据集上性能优于现有模型。

    Oct, 2019

  • 分层信息的重要性：基于树型图神经网络的文本分类

    本篇论文研究了利用树形图编码模型进行文本分类，通过对网络结构的最小化熵的优化，提出了一种 HINT 模型，借助树形结构的层次性信息来提升文本分类效果，最终实验结果表明，在流行基准上 HINT 能够明显优于现有的最先进模型。

    Oct, 2021

  • 以少胜多：利用超图注意力网络进行归纳文本分类

    本论文提出了一种基于超图注意力网络的模型 ——HyperGAT，旨在解决文本分类中词语高阶交互捕捉问题和处理大型数据集和新文档的问题，并在多个基准数据集上进行了广泛的实验证明了该方法的有效性。

    Nov, 2020

  • 文本图上的分层知识蒸馏用于数据有限的属性推断

    通过构建图文本进行少样本学习，以提高社交媒体文本数据中属性推理的性能。

    Jan, 2024

  • 弱监督层次文本分类

    本文提出了一种弱监督的神经方法进行层次文本分类，通过生成伪文档进行模型预训练，并在真实无标签数据上进行自我训练，最终得到高效准确的分类模型。

    Dec, 2018

  • 异构图神经网络实现跨语言文本分类

    该论文提出了一种利用图卷积网络在跨语言文本分类中融合异构信息的简单高效方法，利用词性角色、语义相似度和文档翻译等信息构建了异构图，实现了在所有任务中显著优于现有模型的性能和低资源情况下良好的一致性表现。

    May, 2021

  • 通过边异构图神经网络来改进文章分类

    将研究成果分类为特定上下文的标签分类体系是一项具有挑战性且相关的下游任务，该论文提出了一种方法，通过使用边异构图来增强简单的图神经网络（GNN）管道的性能，实验证明边异构图能够提高 GNN 模型的性能，这项研究有望在节点分级分类方面提供性能改进。

    Sep, 2023