靓仔博客

在本文中，我们基于最近引入的图卷积网络(GCN)，提出了一种同时使用语义嵌入和类别关系来预测分类器的方法。对于一个已习得的知识图(KG)，我们的方法将每个节点(表示视觉类别)作为输入语义嵌入。经过一系列的图卷积后，我们预测每个类别的视觉分类器。在训练过程中，给出了几个类别的视觉分类器来学习GCN参数。

在本文中，我们考虑了一个具有更大应用潜力的真实场景，即零样本和小样本的立场检测，它可以在没有或很少训练例子的情况下识别广泛的主题的立场。传统的数据驱动方法不适用于上述零样本和少样本的场景。对于人类来说，常识知识是理解和推理的关键因素。在没有标注数据和用户立场的隐晦表达的情况下，我们认为引入常识性的关系知识作为推理支持，可以进一步提高模型在零样本和少样本场景下的泛化和推理能力。具体地说，我们引入常识知识增强模型，利用关系知识的结构层和语义层信息。大量实验表明，该模型在零样本和小样本立场检测任务上的性能优于现有