基于邻居层次化筛选的对比多图学习用于半监督文本分类
计算与语言
2024-11-28 v1 信息检索
摘要
图对比学习已成功应用于文本分类，due to its 卓越的自监督节点表示学习能力。然而，显式的图增强可能导致对比视图中的语义丢失。其次，现有方法倾向于忽视边缘特征以及在多图学习中节点特征的不同重要性。此外，对比损失会受到误导的负样本。为解决这些局限性，我们提出了一种新方法，用于半监督文本分类的对比多图学习，称为ConNHS。具体而言，我们利用核心特征构建多关系文本图，增强文本之间的语义连接。通过分离文本图，我们为对比学习提供了多样化的视图。我们的 method 确保最佳保留图信息，最小化数据损失和扭曲。随后，我们分别执行关系感知传播和跨图注意力传播，这有效利用节点与边缘特征之间的不同相关性，同时在跨图之间协调信息融合。随后，我们提出邻居层次化筛选损失(NHS)以细化负样本选择。首先，遵循 homophily 假设，NHS 从锚节点和正样本的第一阶邻居中屏蔽它们不被视为负样本。其次，NHS 排除基于相似性与锚节点类似的高阶邻居。因此，它有效减少了误导负样本的发生，防止在嵌入空间中相似样本之间的距离扩大。我们的实验在 ThuCNews、SogouNews、20 Newsgroups 和 Ohsumed 数据集上实现了 95.86%、97.52%、87.43% 和 70.65%，显示出在半监督文本分类中具有竞争力的结果。
引用
@article{arxiv.2411.16787,
title = {Contrastive Multi-graph Learning with Neighbor Hierarchical Sifting for Semi-supervised Text Classification},
author = {Wei Ai and Jianbin Li and Ze Wang and Yingying Wei and Tao Meng and Yuntao Shou and Keqin Lib},
journal= {arXiv preprint arXiv:2411.16787},
year = {2024}
}
备注
16 pages, 6 figures