GCN和GCN在文本分类中应用

  • 时间:
  • 浏览:0
  • 来源:3分时时彩官网_哪里可以玩3分时时彩_3分时时彩在哪里玩

       传统CNN卷积都能能避免图片等欧式形状的数据,却不能自己避免社交网络、信息网络等非欧式形状的数据。一般图片是由c个通道h行w列的矩阵组成的,形状非常规整。而社交网络、信息网络等是图论中的图(定点和边建立起的拓扑图)。

       传统CNN卷积面对输入数据维度能够 是选则的,进而CNN卷积避免后得到的输出数据的维度也是选则的。欧式形状数据中的每个点付进 形状都一样,如另一4个 像素点付进 一定有8个像素点,即每个节点的输入维度和输出维度都有固定的。而非欧式形状数据则不一定,如社交网络中A和B是大伙,A有n个大伙,但B不一定有n个大伙,即每个节点的输入维度和输出维度都有不选则的。

       所以只有使用CNN来对社交网络、信息网络等数据进行避免,因此对A节点避免后得到输出数据的维度和对B节点避免后得到输出数据维度是不一样的。为了得到社交网络、信息网络的空间形状所以大伙使用GCN(Graph Convolutional Network)来避免。



图1 另一4个 GCN的实例(图片来源网页[3])

       同一般的卷积神经网络不同,GCN输入的数据是另一4个 图拓扑矩阵,你你你这个 拓扑矩阵一般是图的邻接矩阵。

2.1 概念定义

G 另一4个 拓扑图定义为G=(V,E) 其中V是节点集合,E是边集合。
N N是图中节点个数,即|V|
F 节点的形状数,不同学习任务F不同
X 网络初始化矩阵, X是N行F列的矩阵
D 图的度矩阵,Dij表示点i和点j与非 存在连接
A 图形状表征矩阵, A是N行N列的矩阵,A通常是G的邻接矩阵
Hi GCN中每层输出矩阵 Hi是另一4个 N行F列矩阵
Wi GCN中每层权值矩阵 Wi是另一4个 F行F列矩阵

2.2 GCN计算依据

       在GCN中,第1层又H0 = X,从i层到i+1层网络计算其中另一4个 简单传播规则,即传播规则1:

\[\begin{array}{l} {{\bf{H}}^{i + 1}} = f\left( {{{\bf{H}}^i},{\bf{A}}} \right) \\ \quad \;\;\; = \sigma \left( {{\bf{A}}{{\bf{H}}^i}{{\bf{W}}^i}} \right) \\ \end{array}\]

       其中激活函数σ一般为ReLu函数。尽然你你你这个 规则下GCN是另一4个 简单模型,但因此足够强大,当然实际使用传播规则是下面几条:

       传播规则2

\[\begin{array}{l} {{\bf{H}}^{i + 1}} = f\left( {{{\bf{H}}^i},{\bf{A}}} \right) \\ \quad \;\;\; = \sigma \left( {{{\bf{D}}^{ - \frac{1}{2}}}{\bf{A}}{{\bf{D}}^{ - \frac{1}{2}}}{{\bf{H}}^i}{{\bf{W}}^i}} \right) \\ \end{array}\]

       传播规则3

\[\begin{array}{l} {{\bf{H}}^{i + 1}} = f\left( {{{\bf{H}}^i},{\bf{A}}} \right) \\ \quad \;\;\; = \sigma \left( {\left( {{\bf{I}} + {{\bf{D}}^{ - \frac{1}{2}}}{\bf{A}}{{\bf{D}}^{ - \frac{1}{2}}}} \right){{\bf{H}}^i}{{\bf{W}}^i}} \right) \\ \end{array}\]

       传播规则4

\[\begin{array}{l} {{\bf{H}}^{i + 1}} = f\left( {{{\bf{H}}^i},{\bf{A}}} \right) \\ \quad \;\;\; = \sigma \left( {{{\bf{D}}^{ - \frac{1}{2}}}\left( {{\bf{D}} - {\bf{A}}} \right){{\bf{D}}^{ - \frac{1}{2}}}{{\bf{H}}^i}{{\bf{W}}^i}} \right) \\ \end{array}\]

       传播规则5

\[\begin{array}{l} {{\bf{H}}^{i + 1}} = f\left( {{{\bf{H}}^i},{\bf{A}}} \right) \\ \quad \;\;\; = \sigma \left( {{{{\bf{\hat D}}}^{ - \frac{1}{2}}}{\bf{\hat A}}{{{\bf{\hat D}}}^{ - \frac{1}{2}}}{{\bf{H}}^i}{{\bf{W}}^i}} \right) \\ \end{array}\]

       其中\({\bf{\hat A}}{\rm{ = }}{\bf{A}}{\rm{ + }}{\rm I}\),I是另一4个 N×N的单位矩阵。而\({\bf{\hat D}}\)\({\bf{\hat A}}\)

是另一4个 对角线矩阵,其中${{\bf{\hat D}}{ii}} = \sum\limits_j {{{{\bf{\hat A}}}{ij}}} $。

       最后根据不同厚度学习任务来定制相应的GCN网络输出。

3.1 文本分类常用算法

       文本分类是自然语言避免比较常见的什么的问題,常见的文本分类主要基于传统的cnn、lstm以及最近几年比较热门的transform、bert等依据,传统分类的模型主要避免排列整齐的矩阵形状,也要是 所以论文中提到的Euclidean Structure,因此大伙科学研究因此工业界的实际应用场景中,往往会遇到非Euclidean Structure的数据,如社交网络、信息网络,传统的模型无法避免该类数据,提取形状进一步学习,因此GCN 应运而生,本文主要介绍GCN在文本分类中的应用。

3.2 GCN在文本分类中具体应用

       首先大伙将大伙的文本语料构建拓扑图,改图的节点由文档和词汇组成,即图中节点数|v|=|doc|+|voc| 其中|doc|表示文档数,|voc|表示词汇总量,对于形状矩阵X,大伙采用单位矩阵I表示,即每个节点的向量都有one-hot形式表示,下面大伙将介绍咋样定义邻接矩阵A,其公式如所示,对于文档节点和词汇节点的权重,大伙采用TF-IDF表示,对于词汇节点之间的权重,大伙采用互信息表示(PMI, point-wise mutual information),在实验中,PMI表现好于另一4个 词汇的共现词汇数,其公式如所示:

\[{A_{ij}} = \left\{ \begin{array}{l} {\rm{PMI}}\left( {i,j} \right)\quad \quad \quad \quad i和j是词语因此{\rm{PMI}}\left( {i,j} \right) > {\rm{0}} \\ {\rm{TF - IDF}}\left( {i,j} \right)\quad \;\;i是文档j是词语 \\ 1\quad \quad \quad \quad \quad \quad \quad \;\;\;i = j \\ 0\quad \quad \quad \quad \quad \quad \quad \;\;你你你这个 \\ \end{array} \right.\]

       其中#W(i)表示在固定滑动窗口下词汇i突然出现的数量,#W(i, j)表示在固定滑动窗口下词汇i,j并肩突然出现的数量,当PMI(i, j)为正数表示词汇i和词汇j有较强的语义关联性,当PMI(i, j)为负数的前一天表示词汇i,j语义关联性较低,在构建完图后,大伙代入GCN中,构建两层GCN,如下:

       大伙采用经典的交叉熵来定义损失函数:

       其中YD表示带标签的文挡集合,Ydf 表示标注类别,Zdf为预测的类别。

       下面介绍GCN在多个公开数据集上的实验结果,其中数据源为:

表1: Summary statistic of datasets

       GCN在文本分类上的实验结果见表2。

表2: GCN在在文本分类上的实验结果

       你你你这个 新颖的文本分类依据称为文本图卷积网络(Text-GCN),巧妙地将文档分类什么的问題转为图节点分类什么的问題。Text-GCN都能能很好地捕捉文档地全局单词共现信息和利用好文档有限地标签。另一4个 简单的双层Text-GCN因此取得良好地成果。

[1] Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[J]. arXiv preprint arXiv:11509.02907, 2016.

[2] Yao L, Mao C, Luo Y. Graph convolutional networks for text classification[J]. arXiv preprint arXiv:11509.05679, 2018.

[3] http://tkipf.github.io/graph-convolutional-networks/