DepWiGNN：一种用于文本中多跳空间推理的深度方向图神经网络
计算与语言
2024-03-11 v2 人工智能
摘要
文本中的空间推理在各种现实应用中起着关键作用。现有的空间推理方法通常从纯文本推断空间关系，忽视了自然语言与符号结构之间的鸿沟。图神经网络（GNNs）在归纳与聚合符号结构方面展现出卓越能力。然而，经典 GNN 因过平滑问题（即性能随图层数增加显著下降）而难以处理多跳空间推理。为应对这些挑战，我们提出一种新颖的深度方向图神经网络（DepWiGNN）。具体而言，我们设计了一种新颖的节点记忆机制，并沿图的深度维度而非广度维度聚合信息，从而赋予其在不堆叠多层的情况下收集长程依赖的能力。在两个具有挑战性的多跳空间推理数据集上的实验结果表明，DepWiGNN 优于现有的空间推理方法。与另外三种 GNN 的对比进一步证明了其在捕获图中长程依赖方面的优越性。
引用
@article{arxiv.2310.12557,
title = {DepWiGNN: A Depth-wise Graph Neural Network for Multi-hop Spatial Reasoning in Text},
author = {Shuaiyi Li and Yang Deng and Wai Lam},
journal= {arXiv preprint arXiv:2310.12557},
year = {2024}
}
备注
EMNLP 2023 Findings