基于 Jensen-Shannon 散度的信息传递用于丰富文本图表示学习
机器学习
2025-12-24 v1
摘要
本文探讨了广泛存在的上下文和结构性散度如何影响丰富文本图的表示学习。为此，我们提出了 Jensen-Shannon 散度信息传递（JSDMP），这是一种新的丰富文本图表示学习范式。除了考虑结构和文本的相似性，JSDMP 还通过 Jensen-Shannon 散度捕获它们对应的不相似性。随后，将相似性和不相似性联合用于计算文本节点之间的新消息权重，从而实现基于真实相关文本节点的上下文和结构信息的表示学习。通过 JSDMP，我们提出了两种新的图神经网络，即发生消息传递图卷积网络（DMPGCN）和发生消息传递 PageRank 图神经网络（DMPPRG），用于学习丰富文本图的表示。在经过充分实验测试后，DMPGCN 和 DMPPRG 在众多成熟的丰富文本数据集上进行了广泛比较，并与多个最先进的基线方法进行了对比。实验结果表明，DMPGCN 和 DMPPRG 可以超越其他基线方法，证明了所提出 Jensen-Shannon 散度信息传递范式的有效性。
引用
@article{arxiv.2512.20094,
title = {Jensen-Shannon Divergence Message-Passing for Rich-Text Graph Representation Learning},
author = {Zuo Wang and Ye Yuan},
journal= {arXiv preprint arXiv:2512.20094},
year = {2025}
}