基于半监督图神经网络的短文本分类
张斌艳,朱小飞*,肖朝晖,黄贤英,吴洁重庆理工大学 计算机科学与工程学院, 重庆 400054
发布日期:
2021-05-13作者简介:
张斌艳(1996— ),女,硕士研究生,研究方向为机器学习和自然语言处理. E-mail: 1576579348@qq.com*通信作者简介:朱小飞(1979— ),男,博士,教授,研究方向为机器学习、信息检索和自然语言处理. E-mail: zxf@cqut.edu.cn基金资助:
国家自然科学基金资助项目(61702063,61502065);重庆市基础科学与前沿技术研究项目(cstc2017jcyjBX0059,cstc2017jcyjAX0339);重庆市教委语言文字科研项目重点项目(yyk20103)Short text classification based on semi-supervised graph neural network
ZHANG Bin-yan, ZHU Xiao-fei*, XIAO Zhao-hui, HUANG Xian-ying, WU JieCollege of Computer Science and Engineering, Chongqing University of Technology, Chongqing 400054, China
Published:
2021-05-13摘要/Abstract
摘要: 文中提出了在短文本建模过程中引入词项与词项之间、词项与文档之间的全局结构关系来增强短文本的表示。由于有标签训练数据的缺乏,使得现有的全局结构关系建模方法,如TextGCN,无法学习到高质量的词项和文档全局结构表示,因此,文中进一步提出采用半监督学习思想来解决有标签训练数据不足的问题。实验结果表明,在基准数据集MEDUI上,与现有相关模型进行对比,文中提出的方法比最好的基准模型在F1指标上提高了1.91%。
PDF全文下载地址:
http://lxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3446