Apr, 2023

文本分类的连续图卷积网络

HTML
PDF
TL;DR提出了一种使用连续图卷积网络的新方法来推断在线文本数据的模型，称为ContGCN，采用了全标记-任意文档范式来动态更新每批处理的文档-标记图，并使用自我监督对比学习目标来更新模型。在华为公共舆情分析系统上进行的3个月A/B测试表明，ContGCN相比现有的方法提高了8.86％的性能。
发现论文，激发创造
  • 使用图卷积网络跨文档进行推理的问答

    本研究提出了一种基于神经模型和图卷积网络的阅读理解方法，可以跨多个文档进行多步推理和信息推理，并在WikiHop数据集上实现了最先进的结果。

    Aug, 2018

  • 图卷积网络文本分类

    本文介绍了一种基于图卷积神经网络的文本分类算法(Text GCN)，该算法利用单一的文本图构建并联合学习词和文本的表征，经实验表明，将该算法应用于多个基准数据集后，在无需外部词嵌入和预先知识的情况下，文本 GCN 仍可优于现有的文本分类方法。

    Sep, 2018

  • 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

  • 张量图卷积网络的文本分类

    本文提出TensorGCN框架，基于图卷积神经网络进行文本分类，结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调，实现了在不同种类图中集成异构信息的有效方式。

    Jan, 2020

  • 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

  • 文本分类中的图卷积网络理解

    本文分析了图卷积网络（GCN）在文本分类中的节点和边嵌入方式以及学习机制的影响，并在不同文本分类基准下得出了有用的结论。

    Mar, 2022

  • ME-GCN:多维边嵌入图卷积网络用于半监督文本分类

    本文提出了一种名为ME-GCN（多维边增强图卷积网络）的模型用于半监督文本分类，该模型能够利用图的丰富边缘信息，通过将边特征作为多流信号进行单独图卷积操作，达到对整个文本数据集较好的分类效果。

    Apr, 2022

  • InducT-GCN: 用于文本分类的归纳式图卷积网络

    本研究提出了一种新颖的归纳图卷积网络框架InducT-GCN（InducTive Graph Convolutional Networks for Text classification），用于无额外资源和有限训练数据情况下的归纳图文本分类，通过仅基于训练文档的统计信息构建图并在测试期间进行单向GCN传播，与传统感性学习模型相比，InducT-GCN在五个文本分类基准测试中表现出更好的性能。

    Jun, 2022

  • 通过图神经网络进行文本分类的综述

    本文介绍文本分类的方法，重点讨论基于图神经网络的文本分类，分别从构造机制和学习过程等方面对文本分类方法进行详细介绍，并涵盖数据集，评估指标和实验设计等方面，通过对公开基准测试的综合比较评估和评估指标的优缺点比较，总结出各个技术的优缺点。

    Apr, 2023

  • 基于词汇的图卷积网络

    提出了一种基于词图的图卷积神经网络模型，能够以归纳的方式完成对于预定义图之外的文档的分类任务，该模型利用词共现信息形成词图，同时融入了文献引用关系的全局语义依赖信息，通过实验验证，该模型在分类任务中表现出良好的性能和高效率。

    May, 2023