用于文本表示的图池化与混合卷积操作学习
人工智能
2019-03-12 v2
摘要
随着图卷积网络（GCN）的发展，深度学习方法已开始应用于图数据。除卷积层外，池化层是深度学习的另一重要组成部分。然而，目前尚未有针对图的有效池化方法。本文提出图池化（gPool）层，其采用可训练投影向量来衡量图中节点的重要性。通过选取 k 个最重要节点构成新图，gPool 实现了与作用于图像的规则最大池化层相同的目标。GCN 用于基于图的文本表示任务时的另一局限是，GCN 未考虑图中节点的顺序信息。为解决该局限，我们提出混合卷积（hConv）层，将 GCN 与规则卷积操作相结合。hConv 层能够快速增大感受野并自动计算特征。基于所提出的 gPool 与 hConv 层，我们开发了用于文本分类任务的新深度网络。结果表明，基于 gPool 和 hConv 层的网络相较基线方法取得了新的 SOTA 性能。
引用
@article{arxiv.1901.06965,
title = {Learning Graph Pooling and Hybrid Convolutional Operations for Text Representations},
author = {Hongyang Gao and Yongjun Chen and Shuiwang Ji},
journal= {arXiv preprint arXiv:1901.06965},
year = {2019}
}
备注
7 pages, WWW19