R-VGAE：用于无监督先修链学习的关系变分图自编码器
计算与语言
2020-04-23 v1
摘要
概念先修链学习的任务是自动确定概念对之间先修关系的存在性。在本文中，我们将概念间先修关系的学习构建为一个无监督任务，训练期间无法访问带标签的概念对。我们提出了一种称为关系变分图自编码器（R-VGAE）的模型，用于在由概念节点和资源节点组成的图中预测概念关系。结果表明，我们的无监督方法在先修关系预测准确率和 F1 分数上分别比基于图的半监督方法和其他基线方法高出至多 9.77% 和 10.47%。我们的方法显然是首个尝试利用深度学习表示进行无监督先修学习任务的基于图的模型。我们还扩展了一个现有语料库，其总计包含 1,717 个英语自然语言处理（NLP）相关的讲座幻灯片文件以及覆盖 322 个主题的人工概念对标注。
引用
@article{arxiv.2004.10610,
title = {R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning},
author = {Irene Li and Alexander Fabbri and Swapnil Hingmire and Dragomir Radev},
journal= {arXiv preprint arXiv:2004.10610},
year = {2020}
}
备注
2 Figures, 3 Tables, 9 Pages