GCN和GCN在文本分类中应用

  • 时间:
  • 浏览:14
  • 来源:幸运快3_快3公式_幸运快3公式

       传统CNN卷积能不可不不能避免图片等欧式形态的数据,却真难避免社交网络、信息网络等非欧式形态的数据。一般图片是由c个通道h行w列的矩阵组成的,形态非常规整。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不可不不能是选着的,进而CNN卷积避免后得到的输出数据的维度也是选着的。欧式形态数据中的每个点俯近形态都一样,如五个 多 像素点俯近一定有8个像素点,即每个节点的输入维度和输出维度有的是固定的。而非欧式形态数据则不一定,如社交网络中A和B是大伙儿儿,A有n个大伙儿儿,但B不一定有n个大伙儿儿,即每个节点的输入维度和输出维度有的是不选着的。

       统统不可不不能使用CNN来对社交网络、信息网络等数据进行避免,原困 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、信息网络的空间形态统统大伙儿儿使用GCN(Graph Convolutional Network)来避免。



图1 五个 多 GCN的实例(图片来源网页[3])

       同一般的卷积神经网络不同,GCN输入的数据是五个 多 图拓扑矩阵,并否有 拓扑矩阵一般是图的邻接矩阵。

2.1 概念定义

G 五个 多 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 节点的形态数,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否有有处于连接
A 图形态表征矩阵, 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是五个 多 N行F列矩阵
Wi GCN中每层权值矩阵 Wi是五个 多 F行F列矩阵

2.2 GCN计算方式

       在GCN中,第1层又H0 = X,从i层到i+1层网络计算其中五个 多 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。尽然并否有 规则下GCN是五个 多 简单模型,但原困 足够强大,当然实际使用传播规则是下面几次:

       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是五个 多 N×N的单位矩阵。而\({\bf{\hat D}}\)\({\bf{\hat A}}\)

是五个 多 对角线矩阵,其中${{\bf{\hat D}}{ii}} = \sum\limits_j {{{{\bf{\hat A}}}{ij}}} $。

       最后根据不同深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问题报告 ,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等方式,传统分类的模型主要避免排列整齐的矩阵形态,也统统 统统论文中提到的Euclidean Structure,否则大伙儿儿科学研究原困 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,提取形态进一步学习,否则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

       首先大伙儿儿将大伙儿儿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,对于形态矩阵X,大伙儿儿采用单位矩阵I表示,即每个节点的向量有的是one-hot形式表示,下面大伙儿儿将介绍怎样才能定义邻接矩阵A,其公式如所示,对于文档节点和词汇节点的权重,大伙儿儿采用TF-IDF表示,对于词汇节点之间的权重,大伙儿儿采用互信息表示(PMI, point-wise mutual information),在实验中,PMI表现好于五个 多 词汇的共现词汇数,其公式如所示:

\[{A_{ij}} = \left\{ \begin{array}{l} {\rm{PMI}}\left( {i,j} \right)\quad \quad \quad \quad i和j是词语否则{\rm{PMI}}\left( {i,j} \right) > {\rm{0}} \\ {\rm{TF - IDF}}\left( {i,j} \right)\quad \;\;i是文档j是词语 \\ 1\quad \quad \quad \quad \quad \quad \quad \;\;\;i = j \\ 0\quad \quad \quad \quad \quad \quad \quad \;\;一点\\ \end{array} \right.\]

       其中#W(i)表示在固定滑动窗口下词汇i突然经常出现的数量,#W(i, j)表示在固定滑动窗口下词汇i,j一同突然经常出现的数量,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)为负数的并且表示词汇i,j语义关联性较低,在构建完图后,大伙儿儿代入GCN中,构建两层GCN,如下:

       大伙儿儿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

       并否有 新颖的文本分类方式称为文本图卷积网络(Text-GCN),巧妙地将文档分类问题报告 转为图节点分类问题报告 。Text-GCN能不可不不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。五个 多 简单的双层Text-GCN原困 取得良好地成果。

[1] Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[J]. arXiv preprint arXiv:13009.02907, 2016.

[2] Yao L, Mao C, Luo Y. Graph convolutional networks for text classification[J]. arXiv preprint arXiv:130009.05679, 2018.

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