论文阅读总结（Graph Convolutional Networks for Text Classification）

最新推荐文章于 2024-07-06 00:15:00 发布
最新推荐文章于 2024-07-06 00:15:00 发布
阅读量1.8k 收藏 4
点赞数
分类专栏： 算法 文章标签： 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/shandler/article/details/110008009
版权

Graph Convolutional Networks for Text Classification（用于文本分类的图卷积网络）

论文：https://arxiv.org/abs/1809.05679v1
推荐继续阅读：Every Document Owns Its Structure: Inductive Text Classification via Graph Neural Networks

摘要：作者介绍了其TextGCN的方法，作者在语料库中构建图，其构图方式是：词节点与词节点之间连边，同时词节点和文档节点之间也连边，文档节点和文档节点之间不连边，这样就构成了一个异构图。（词节点和文档节点初始化都使用one-hot表示）词节点与词节点之间边的权重利用单词共现信息计算得到的逐点互信息（PMI）来表示，词节点和文档节点之间边的权重利用TF-IDF算法计算得到。该模型利用了其他模型没有考虑到的全局词共现信息，在较少训练数据时体现了较好的鲁棒性。其中TextGCN的一个对比优势是能够自动学习作为node embedding 的文本表示。

最低0.47元/天 解锁文章
[Paper Notes 论文笔记]：Graph Convolutional Networks for Text Classification
weixin_43639369的博客
06-08 341
[Paper Notes 论文笔记]：Graph Convolutional Networks for Text Classification论文链接及源码AbstractRelated WorkMethodExperimentConclusionKey Code Analysis 论文链接及源码 论文原文 论文源码 Abstract 本文提出了Text GCN 用于文本分类，是将整个corpus转化成 一整张异构图 的first paper，并且可以学习到word和document的表示； 与一些bas
【文献阅读】Graph Convolutional Networks for Text Classification
九筒的博客
03-21 526
我们基于单词共现和文档单词关系为语料库构建单个文本图，然后为语料库学习文本图卷积网络（Text GCN） 我们的 Text GCN 使用单词和文档的 one-hot 表示进行初始化，然后在已知文档类标签的监督下共同学习单词和文档的嵌入。 Introduction 这些深度学习模型可以很好地捕捉局部连续单词序列中的语义和句法信息，但可能会忽略携带不连续和长的语料库中的全局单词共现。距离语义（Peng et al. 2018）。 图神经网络在被认为具有丰富关系结构的任务中非常有效，并且可以在图嵌入中保留图的全局
论文：Graph Convolutional Networks for Text Classification
weixin_44630230的博客
01-18 2961
TextGCN：使用图卷积网络进行文本分类，基于词共现和文档词关系为语料库构建一个单独的文本图，word和document的初始向量为one-hot表示。通过GCN的学习其嵌入表示，下游分类任务优于现有方法。 优势：图神经网络由于具有丰富的关系结构，能够在图嵌入中保存全局的结构信息。 GCN的方法不再赘述，主要讲述构图的方法， 以“O”开头的节点是文档节点，其他节点是单词节点。黑色粗体边是文档-单词边，灰色细边是单词-单词边。R(x)表示x的表示(embedding)。不同的颜色意味着不同的文
Graph Convolutional Networks for Text Classification
仓小小鼠
06-15 172
论文解读：Graph Convolutional Networks for Text Classifification
夏栀的博客
08-06 1725
论文解读：Graph Convolutional Networks for Text Classifification   先前的文本分类方法是基于CNN或RNN进行的，只能单独的对文本自身的上下文进行语义提取，而不能够对文本之间的相关信息进行表示。随着图结构在NLP领域的大放光彩，将图引入文本分类是新的思路。 一、简要信息 序号 属性 值 1 模型名称 Text-GCN 2 所属领域 自然语言处理 3 研究内容 文本分类 4 核心内容 Text Classification,
【论文阅读笔记】Graph Convolutional Networks for Text Classification
学习带来的快乐最持久~
07-06 1534
目录1 原文2 针对问题3 模型 / 方法3.1 Text GCN4 实验结果5 讨论6 结论 1 原文 Graph Convolutional Networks for Text Classification 源码 2 针对问题 文本分类是自然语言处理中一个常见的基础问题。我们常用的文本表示方法有CNN，RNN，LSTM等等。这些模型会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局的词共现，词共现中携带了不连续以及长距离的语义信息。 3 模型 / 方法 使用
【论文翻译 | AAAI2019】TextGCN - Graph Convolutional Networks for Text Classification
qq_36291847的博客
04-04 1839
Graph Convolutional Networks for Text Classification 文章目录摘要1 引言2 相关工作3 方法4 实验5 结论与未来工作二级目录三级目录 摘要 文本分类是自然语言处理中的一个重要的经典问题。已有许多研究将卷积神经网络(在规则网格上的卷积，如序列)应用于分类。然而，只有为数不多的研究探索了更为灵活的图卷积神经网络(非网格上的卷积，如任意图)来完成这项任务。在这项工作中，我们建议使用图卷积网络进行文本分类。基于词的共现和文档词的关系，为语料库构建单一的文本图，
Graph Convolutional Networks for Text Classification [阅读笔记]
weixin_42720033的博客
06-24 2790
Graph Convolutional Networks for Text Classification [阅读笔记]简介贡献相关研究传统文本分类方法基于深度学习的文本分类方法图神经网络方法图卷积网络（GCN）文本图神经网络 Text GCN图的构建网络结构结论 简介 文章基于词的共线和文档的词关系，构建了语料库的知识图谱。Text GCN初始化为word和doc的独热表示，然后他们共同学习word...
《Graph Convolutional Networks for Text Classification（AAAI-2019）》论文阅读
qq_34372112的博客
10-28 3134
乱七八糟先写在这 作者提出用 GCN 来做文本分类 在整个语料集上构建图，将 word 和 document 作为图中的 node，利用 co-occurrence 信息来构建 edge，然后将文本分类问题看作是 node 分类问题。 Introduction 本文是解决分类任务的，作者通过词与文章的共现信息和 TF-IDF 权重和互信息权重 两个贡献点： 提出了使用图神经网络来解决文本分类...
Graph Convolutional Networks for Text Classification. AAAI 2019---remove_words.py代码总结
wxyllyw的博客
11-21 316
1.sys sys.argv 用于接收输入数据的列表 例： 编写sys.py： import sys a= sys.argv print(a) 用命令行输入 python sys.py 结果： ['sys.py']
Recurrent Convolutional Neural Networks for Text Classification
05-21
找到了国外的一篇文章《Recurrent Convolutional Neural Network For Text Classification》
GCN与文本分类Graph Convolutional Networks for Text Classification
Facico的博客
06-01 787
TextGCN Graph Convolutional Networks for Text Classification https://github.com/yao8839836/text_gcn?utm_source=catalyzex.com 属于把GCN用在NLP上的开山之作，构造比较简单，效果也不错，不过使用的是最简单的“频域卷积网络”，所以速度比价慢 不知道作者有没有试过简易的多项式的GCN核或切比雪夫网络 构造图 边权 Ai,j={PMI(i,j)i,j都是单词，PMI(i,j)>
论文笔记：（用于文本分类的图卷积网络）Graph Convolutional Networks for Text Classification
桔子皮的博客
06-13 2288
1.研究背景 普通卷积神经网络研究的对象是具备规则空间结构的数据，如图片是规则的正方形，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。 然而，生活中很多数据不具备规则的空间结构，他们有不同的节点，同时呢，节点之间又有联系。那么，就用到了图卷积网络。 图数据有两个特点：每个节点有自己的特征；（点）图数据中的每个节点具有结构特征，即节点与节点存在一定的联系。（边） GCN的每次计算操作，都是把每个节点和它的相邻节点的信息聚集起来，所以特征每次抽取完都会更加抽象。 2.TextGCN模型设
【代码解读】Graph Convolutional Networks for Text Classification
造出高达般的人工智能机器人
04-25 3644
本文主要内容： 本文主要是对以下论文，作者提供的代码进行注释解读： 《Liang Yao, Chengsheng Mao, Yuan Luo. “Graph Convolutional Networks for Text Classification.” In 33rd AAAI Conference on Artificial Intelligence (AAAI-19), 7370-7...
论文笔记：AAAI 2019 Graph Convolutional Networks for Text Classification
qq_44015059的博客
09-20 727
前言 这篇论文，还是挺简单的基于GCN的应用型文章，主要的贡献在于构建了基于文本和词的异构图，使得在GCN上能够对文本进行半监督分类。实现过程中采用了最经典的以一阶切比雪夫不等式为一阶近似为卷积核的图卷积方式，该文的亮点在于图的构建。 论文链接：https://arxiv.org/abs/1809.05679 github：https://github.com/iworldtong/text_gcn.pytorch 1. Text GCN 1.1 图架构 节点：图包含了两种节点，分别是document节点
翻译 Graph Convolutional Networks for Text Classification
最新发布
mohen_777的博客
07-06 594
提出针对文本分类方法的 GCN，我们从整个语料库构建一个单独的大图，其中包含单词和文档作为节点。我们使用图卷积网络（GCN）（Kipf和Welling 2017）对图进行建模，这是一种简单有效的图神经网络，可以捕获高阶邻域信息。双字节点之间的边缘由字共现信息构成，字节点和文档节点之间的边缘使用字频和字的文档频率构建。然后我们自然地将文本分类问题转化为节点分类问题。该方法可以通过一小部分标记文档实现强分类性能，并学习可解释的单词和文档节点嵌入。
论文阅读笔记：Graph Convolutional Networks for Text Classification
Jiangshang_jiu
03-11 1657
基于GCN的文本分类方法。
从Graph Convolutional Networks for Text Classification看图卷积网络
linhongxiang109的博客
05-23 756
傅里叶变换 傅里叶变换 拉普拉斯算子
Graph Convolutional Networks for Text Classification阅读笔记
图灵是我
03-11 9743
原文链接 简介 文本分类是自然语言处理中一个常见的基础问题。我们常用的文本表示方法有CNN，RNN，LSTM等等。这些模型会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局的词共现，词共现中懈怠了不连续以及长距离的语义信息。 方案 图卷积网络(GCN) 本文主要使用图卷积网络,图卷积网络公式如下： 其中 这里的公式使用的都是矩阵表示，所以看上去会有...
graph convolutional networks for text classification
03-16
图卷积网络（Graph Convolutional Networks，简称GCN）在文本分类任务中的应用是指将文本数据表示为图结构，然后利用GCN模型从这个图中学习文本特征并进行分类。相比传统的基于词向量的文本分类方法，GCN可以充分...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值