面向短文本分类的分层异构图表示学习
计算与语言
2021-11-02 v1 人工智能
摘要
短文本分类是自然语言处理中的一项基础任务。由于实践中缺乏上下文信息和标注数据，该任务十分困难。本文提出一种基于图神经网络（GNN）的短文本分类新方法 SHINE。首先，我们将短文本数据集建模为分层异构图，由词级成分图构成，从而引入更多语义和句法信息。然后，我们动态学习一个短文档图，以促进相似短文本间有效的标签传播。因此，与现有基于 GNN 的方法相比，SHINE 能更好地利用同类节点间的交互并捕捉短文本间的相似性。在多个基准短文本数据集上的大量实验表明，SHINE 持续优于 SOTA 方法，尤其在标注更少时。
引用
@article{arxiv.2111.00180,
title = {Hierarchical Heterogeneous Graph Representation Learning for Short Text Classification},
author = {Yaqing Wang and Song Wang and Quanming Yao and Dejing Dou},
journal= {arXiv preprint arXiv:2111.00180},
year = {2021}
}
备注
Accepted to EMNLP 2021