HeteGCN：用于文本分类的异构图卷积网络
计算与语言
2020-09-01 v1 机器学习
机器学习
摘要
我们考虑在具有大量样本与特征的情况下，为文本分类学习高效且归纳式的图卷积网络的问题。现有最先进的基于图嵌入的方法（如预测文本嵌入（PTE）与TextGCN）在预测性能、可扩展性与归纳能力方面存在不足。为克服这些局限，我们提出一种异构图卷积网络（HeteGCN）建模方法，将PTE与TextGCN的最优方面相统一。其核心思想是利用跨层使用不同图的HeteGCN架构学习特征嵌入并导出文档嵌入。我们通过将TextGCN拆解为若干HeteGCN模型来简化它，这（a）有助于研究各单独模型的效用，（b）为融合不同模型所学嵌入提供灵活性。实际上，模型参数数量显著减少，从而实现更快训练并改善小标注训练集场景下的性能。我们详尽的实验研究证明了所提方法的有效性。
引用
@article{arxiv.2008.12842,
title = {HeteGCN: Heterogeneous Graph Convolutional Networks for Text Classification},
author = {Rahul Ragesh and Sundararajan Sellamanickam and Arun Iyer and Ram Bairi and Vijay Lingam},
journal= {arXiv preprint arXiv:2008.12842},
year = {2020}
}