PQ-GCN：基于短语特征增强文本图问题分类
计算与语言
2025-06-30 v3
摘要
有效的问题分类对于 AI 驱动的教育工具至关重要，这使得自适应学习系统能够按技能区域、难度级别和能力水平对问题进行分类。这不仅支持教育诊断和分析，还能通过将问题与相关类别关联来增强复杂的下游任务，如信息检索和问题解答。传统方法通常基于词嵌入和常规分类器，难以捕捉问题语句中细致的关系，导致表现不佳。我们提出了一种新方法，利用图卷积网络，称为短语问题-图卷积网络 (Phrase Question-Graph Convolutional Network, PQ-GCN)。通过 PQ-GCN，我们评估了将短语特征纳入以提高各种领域和特征的数据集上的分类性能的效果。该方法加入短语特征后，相较于基线图方法在资源有限的设置下表现更好，与基于语言模型的方法相比，参数规模更小，性能也相当竞争。我们的发现为更具上下文感知、参数高效的问题分类提供了可能的解决方案，弥合了图神经网络研究与其教育应用之间的差距。
引用
@article{arxiv.2409.02481,
title = {PQ-GCN: Enhancing Text Graph Question Classification with Phrase Features},
author = {Junyoung Lee and Ninad Dixit and Kaustav Chakrabarti and S. Supraja},
journal= {arXiv preprint arXiv:2409.02481},
year = {2025}
}