基于知识增强注意力与相似度矩阵卷积神经网络的短文本分类
计算与语言
2021-03-02 v2
摘要
短文本在网页上越来越流行，例如聊天消息、短信和产品评论。准确分类短文本是一项重要且具有挑战性的任务。由于词语歧义和数据稀疏性，许多研究难以解决该问题。为此，我们提出了一种基于知识增强注意力与相似度矩阵卷积神经网络（KASM）模型，该模型可利用知识和深度神经网络计算综合信息。我们使用知识图谱（KG）来丰富短文本的语义表示，特别地，我们的模型中引入了父实体信息。同时，我们考虑了短文本与标签表示在字面层面的词交互，并利用基于相似度矩阵的卷积神经网络（CNN）来提取该交互。为了衡量知识的重要性，我们引入注意力机制以筛选重要信息。在五个标准数据集上的实验结果表明，我们的模型显著优于当前最先进（SOTA）的方法。
引用
@article{arxiv.2002.03350,
title = {Short Text Classification via Knowledge powered Attention with Similarity Matrix based CNN},
author = {Mingchen Li and Gabtone. Clinton and Yijia Miao and Feng Gao},
journal= {arXiv preprint arXiv:2002.03350},
year = {2021}
}
备注
there is an error in this paper