用于概念相关性估计的图分量对比学习
计算与语言
2022-12-01 v2
摘要
概念相关性估计（CRE）旨在判断两个给定概念是否相关。现有方法仅考虑概念之间的成对关系，而忽略了可在概念级图结构中编码的高阶关系。我们发现这一底层图满足一组 CRE 的固有属性，包括自反性、交换性和传递性。在本文中，我们形式化了 CRE 属性并引入名为 ConcreteGraph 的图结构。为解决 CRE 中的数据稀缺问题，我们引入一种新颖的数据增强方法从图中采样新概念对。由于潜在概念对数量巨大，数据增强难以充分捕获 ConcreteGraph 的结构信息，我们进一步引入一种新颖的图分量对比学习框架来隐式学习 ConcreteGraph 的完整结构。在三个数据集上的实证结果表明相较最先进模型有显著提升。详细的消融研究证明我们提出的方法能有效捕获概念间的高阶关系。
引用
@article{arxiv.2206.12556,
title = {Graph Component Contrastive Learning for Concept Relatedness Estimation},
author = {Yueen Ma and Zixing Song and Xuming Hu and Jingjing Li and Yifei Zhang and Irwin King},
journal= {arXiv preprint arXiv:2206.12556},
year = {2022}
}
备注
7 pages, Accepted to AAAI23, Github: https://github.com/Panmani/GCCL