GCN和GCN在文本分类中应用

  • 时间:
  • 浏览:1
  • 来源:大发pk10_pk10开奖历史_大发pk10开奖历史

       传统CNN卷积还时需除理图片等欧式形态的数据,却先要除理社交网络、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时需是选取的,进而CNN卷积除理后得到的输出数据的维度也是选取的。欧式形态数据中的每个点附进形态都一样,如另一个 多像素点附进一定有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。而非欧式形态数据则不一定,如社交网络中A和B是亲戚朋友 ,A有n个亲戚朋友 ,但B不一定有n个亲戚朋友 ,即每个节点的输入维度和输出维度都有不选取的。

       可是我不到使用CNN来对社交网络、信息网络等数据进行除理,是因为对A节点除理后得到输出数据的维度和对B节点除理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可是我亲戚朋友 使用GCN(Graph Convolutional Network)来除理。



图1 另一个 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输入的数据是另一个 多图拓扑矩阵,某些拓扑矩阵一般是图的邻接矩阵。

2.1 概念定义

G 另一个 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否有有居于连接
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是另一个 多N行F列矩阵
Wi GCN中每层权值矩阵 Wi是另一个 多F行F列矩阵

2.2 GCN计算土方式

       在GCN中,第1层又H0 = X,从i层到i+1层网络计算其中另一个 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。尽然某些规则下GCN是另一个 多简单模型,但是因为足够强大,当然实际使用传播规则是下面好多个:

       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是另一个 多N×N的单位矩阵。而\({\bf{\hat D}}\)\({\bf{\hat A}}\)

是另一个 多对角线矩阵,其中${{\bf{\hat D}}{ii}} = \sum\limits_j {{{{\bf{\hat A}}}{ij}}} $。

       最后根据不同高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除理比较常见的什么的疑问,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等土方式,传统分类的模型主要除理排列整齐的矩阵形态,也可是我可是我论文中提到的Euclidean Structure,否则亲戚朋友 科学研究是因为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,传统的模型无法除理该类数据,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

       首先亲戚朋友 将亲戚朋友 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,亲戚朋友 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,下面亲戚朋友 将介绍何如定义邻接矩阵A,其公式如所示,对于文档节点和词汇节点的权重,亲戚朋友 采用TF-IDF表示,对于词汇节点之间的权重,亲戚朋友 采用互信息表示(PMI, point-wise mutual information),在实验中,PMI表现好于另一个 多词汇的共现词汇数,其公式如所示:

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

       其中#W(i)表示在固定滑动窗口下词汇i经常出現的数量,#W(i, j)表示在固定滑动窗口下词汇i,j同時 经常出現的数量,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)为负数的就让表示词汇i,j语义关联性较低,在构建完图后,亲戚朋友 代入GCN中,构建两层GCN,如下:

       亲戚朋友 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

       某些新颖的文本分类土方式称为文本图卷积网络(Text-GCN),巧妙地将文档分类什么的疑问转为图节点分类什么的疑问。Text-GCN还时需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。另一个 多简单的双层Text-GCN是因为取得良好地成果。

[1] Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[J]. arXiv preprint arXiv:15009.02907, 2016.

[2] Yao L, Mao C, Luo Y. Graph convolutional networks for text classification[J]. arXiv preprint arXiv:15009.05679, 2018.

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

猜你喜欢

V. Toppinen数据,V. Toppinen新闻,V. Toppinen视频,V. Toppinen身价

V.ToppinenV.Toppinen俱乐部:PK-37国籍:芬兰身高:CM位置:后卫年龄:体重:KG号码:17号生日:惯用脚:赛季俱乐部上场首发进球助攻黄牌红牌替补2019

2020-01-29

完美世界精炼共鸣战力如何激活

【斗蟹攻略】完美世界精炼共鸣战力怎么才能 才能 激活?有太多太多小伙伴们都他不知道,这麼 下面就由斗蟹小编来为亲戚亲戚朋友带来精炼共鸣战力激活最好的办法吧,希望都都都还可以

2020-01-29

2019 ChinaJoy封面大赛第二周周优秀票选结果公布

【斗蟹资讯】2019ChinaJoy封面大赛第二周周优秀获奖选手正式揭晓!在这场关于Cosplay的顶级盛宴,我们都都 通过一幅幅作品,看过了参赛选手们对于Cosplay精益

2020-01-28

和平精英外卦软件免费下载

和平精英是一款射击生存类的游戏。游戏主要以生存和射击为主要玩法,内置全世界知名枪械,如果你过足射击瘾,还在等有哪些,赶快下载吧!游戏玩法在游戏战斗界面中,信号条显示在选手的健康

2020-01-28

指锦屏点票违规 洪志杰提选举呈请

【大公报讯】记者郝寿报道:11月区议会选举中,民建联洪志杰(小图)在东区锦屏选区获10027票,不敌取得3113票、来自公民党的对手李予信,差距仅86票。洪志杰周二(24日)向

2020-01-28