ME-GCN：用于半监督文本分类的多维边嵌入图卷积网络
计算与语言
2022-04-12 v1
摘要
与序列学习模型相比，基于图的神经网络在捕获全局信息方面表现出优异能力，并已被用于半监督学习任务。大多数图卷积网络采用单维边特征设计，未能利用图中丰富的边信息。本文提出 ME-GCN（多维边增强图卷积网络，Multi-dimensional Edge-enhanced Graph Convolutional Networks）用于半监督文本分类。首先构建整个语料的文本图，以描述词-词、文档-文档以及词-文档之间的无向且多维的关系。该图以语料训练的 multidimensional 词与文档节点表示为初始化，并根据这些词/文档节点的距离表示关系。随后，用 ME-GCN 训练所生成的图，其将边特征视为多流信号，每一流执行独立的图卷积操作。我们的 ME-GCN 能够整合整个文本语料中丰富的图边信息来源。结果表明，我们所提出的模型在八个基准数据集上显著优于当前最优方法。
引用
@article{arxiv.2204.04618,
title = {ME-GCN: Multi-dimensional Edge-Embedded Graph Convolutional Networks for Semi-supervised Text Classification},
author = {Kunze Wang and Soyeon Caren Han and Siqu Long and Josiah Poon},
journal= {arXiv preprint arXiv:2204.04618},
year = {2022}
}
备注
ICLR 2022 on DLG4NLP