用于图到序列学习的密集连接图卷积网络
计算与语言
2019-09-10 v2
摘要
我们关注图到序列学习,其可框定为将图结构转导为序列以用于文本生成。为捕获与图相关的结构信息,我们研究使用图卷积网络(GCNs)对图进行编码的问题。与各种仅使用浅层架构捕获局部结构信息的现有方法不同,我们引入了一种密集连接策略,提出了一种新颖的密集连接图卷积网络(DCGCNs)。这样一种深层架构能够整合局部与非局部特征,以学习更好的图结构表示。我们的模型在 AMR 到文本生成以及基于句法的神经机器翻译上显著优于最先进的神经模型。
引用
@article{arxiv.1908.05957,
title = {Densely Connected Graph Convolutional Networks for Graph-to-Sequence Learning},
author = {Zhijiang Guo and Yan Zhang and Zhiyang Teng and Wei Lu},
journal= {arXiv preprint arXiv:1908.05957},
year = {2019}
}
备注
Conditional accepted by TACL on December 2018, accepted by TACL on February 2019