Advertisement

Text_GCN：应用于文本分类的图卷积网络。AAAI 2019

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文提出了一种名为Text-GCN的模型，在文本分类任务中应用图卷积网络以提高性能，该论文发表于AAAI 2019会议。 本段落介绍了Text GCN的实现：梁耀、毛成胜、罗源在第33届AAAI人工智能会议（AAAI-19）上发表的文章《图卷积网络用于文本分类》中的方法，需要使用Python 2.7或3.6版本以及Tensorflow >= 1.4.0来重现结果。具体步骤如下： 运行 `python remove_words.py 20ng` 运行 `python build_graph.py 20ng` 运行 `python train.py 20ng` 对于其他数据集，只需将上述命令中的“20ng”替换为R8、R52、ohsumed和mr。 输入文件示例：/data/20ng.txt 包含文档名称、培训测试分组以及文档标签。每行对应一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，与前一文件中的相应行一一对应。 prepare_data.py提供了准备自己数据集的一个例子，请注意，“\n”已经被从文档或句子中移除。 归纳版本：Text GCN的归纳版在训练过程中不包括测试文档。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Text_GCN：应用于文本分类的图卷积网络。AAAI 2019
    优质
    本文提出了一种名为Text-GCN的模型，在文本分类任务中应用图卷积网络以提高性能，该论文发表于AAAI 2019会议。 本段落介绍了Text GCN的实现：梁耀、毛成胜、罗源在第33届AAAI人工智能会议（AAAI-19）上发表的文章《图卷积网络用于文本分类》中的方法，需要使用Python 2.7或3.6版本以及Tensorflow >= 1.4.0来重现结果。具体步骤如下： 运行 `python remove_words.py 20ng` 运行 `python build_graph.py 20ng` 运行 `python train.py 20ng` 对于其他数据集，只需将上述命令中的“20ng”替换为R8、R52、ohsumed和mr。 输入文件示例：/data/20ng.txt 包含文档名称、培训测试分组以及文档标签。每行对应一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，与前一文件中的相应行一一对应。 prepare_data.py提供了准备自己数据集的一个例子，请注意，“\n”已经被从文档或句子中移除。 归纳版本：Text GCN的归纳版在训练过程中不包括测试文档。
     
  • 基于注意力机制的时空图卷积网络在流量预测中的应用（ASTGCN）- AAAI 2019
    优质
    本研究提出了一种结合注意力机制与时空图卷积的新型神经网络模型ASTGCN，应用于交通流预测，并于AAAI 2019会议上发表。 阿斯泰格基于注意力的时空图卷积网络（ASTGCN）在交通流量预测中的应用通过两个来自加州的高速公路交通数据集PeMSD4和PeMSD8进行了验证。这些数据由加利福尼亚绩效评估系统每30秒实时收集，并从原始数据中每隔5分钟汇总一次。该系统已在加州主要都会区的主要高速公路上部署了超过39,000个探测器，地理信息记录在数据集中。 我们的实验考虑了三种流量度量：总流量、平均速度和平均占用率。我们使用两个数据集进行测试： - PEMS-04: 包含2018年1月至2月期间的307个传感器的数据，包括流动、占据和速度三个特征。 - PEMS-08: 包括2016年7月至8月期间的170个检测器数据，同样包含流动、占据和速度这三个特点。 实验要求使用Python版本需大于等于3.5以及mxnet库（建议版本为1.3.0及以上）和mxboard。
     
  • 基于卷积神经网络的短文本情感分析分类
    优质
    本研究探讨了利用卷积神经网络（CNN）对短文本进行情感分类的有效性，通过深度学习技术提升情感分析精度。 近年来，卷积神经网络模型被广泛应用于文本情感分类的研究之中。然而，在这些研究中，大多数忽略了文本特征词本身携带的情感信息以及中文分词过程中的错误情况。为了解决这些问题，我们提出了一种融合了情感特征的双通道卷积神经网络情感分类模型（SFD-CNN）。该模型在构建输入时采用两条不同的路径：一条是构造包含情感特征的语义向量矩阵以获取更多的情感类型信息；另一条则是创建文本字向量矩阵来减少分词错误的影响。实验结果显示，SFD-CNN 模型具有高达92.94% 的准确率，并且优于未改进前的模型。
     
  • 基于TensorFlow的CNN卷积神经网络在图像分类中的应用
    优质
    本研究探讨了利用TensorFlow框架下的CNN模型进行图像分类的应用效果，展示了其在模式识别任务中的强大性能和便捷开发流程。 基于TensorFlow的CNN卷积神经网络实现图像分类。
     
  • Matlab实现LeNet.rar_Matlab LeNet_卷积_卷积神经网络_MATLAB_图像分类_神经网络分类
    优质
    本资源为使用MATLAB语言实现的经典卷积神经网络LeNet架构。适用于进行图像分类任务，包括但不限于手写数字识别。提供详细的代码和注释，帮助用户深入理解卷积神经网络的工作原理及其应用。 卷积神经网络LeNet代码可以实现图片分类功能。
     
  • 基于CNN的卷积神经网络图像分类
    优质
    本研究探讨了利用卷积神经网络（CNN）进行图像分类的方法，通过实验分析优化模型结构与参数，展示了其在图像识别任务中的高效性。 卷积神经网络（CNN）可以用于图像分类任务。
     
  • 半监督分类中的图卷积网络...
    优质
    本文探讨了在半监督学习环境下使用图卷积网络进行数据分类的方法和应用，特别关注如何利用少量标注信息提高模型性能。 1. 主要解决的问题： 半监督学习适用于节点标签部分已知的情况，例如文本分类、引文网络分析以及知识图谱的分类。 2. 主要思想： 采用一阶局部近似（即K=1）的方法在图卷积中应用，这一方法的理解可以参考Chebyshev多项式作为GCN卷积核的应用。当K等于1时，模型有两个参数，并且其复杂度与图中的边数成线性关系；同时能够表示出局部的图结构和节点特征。 3. 半监督下的节点分类模型 本段落提出的模型的优点在于Wl在各个顶点上是共享的，因此不受顶点数量的影响，适用于大规模数据集。然而缺点是在同阶邻域内分配给不同邻居的权重完全相同，这是由于GCN中度矩阵的形式决定的。
     
  • 基于卷积神经网络的中文文本分类代码实现
    优质
    本项目采用卷积神经网络（CNN）技术对中文文本进行自动分类，通过Python编程实现了模型训练与测试，并在大规模数据集上验证了其有效性。 项目概述：本项目基于卷积神经网络（CNN）实现了一套中文文本分类算法，适用于垃圾邮件过滤、情感分析等多种应用场景。主要采用Python语言开发，包含总计30个文件，其中5个Python源代码文件，5个数据文件，5个索引文件，5个元数据文件，2个UTF-8编码的配置文件（escenter11PC），1个Git忽略文件，1个Markdown文档以及一个TensorFlow运行记录中的检查点文件。该项目旨在提供高效的中文文本处理能力，并促进自然语言处理技术在中文语境下的应用与发展。
     
  • 基于TensorFlow的中文文本分类——使用卷积神经网络的Python实现
    优质
    本项目采用TensorFlow框架，利用卷积神经网络技术进行中文文本分类任务，并提供了一个完整的Python代码实现方案。 使用卷积神经网络并基于TensorFlow实现的中文文本分类方法。
     
  • 基于深度卷积神经网络的情感文本分类1
    优质
    本研究利用深度卷积神经网络对文本数据进行处理和分析，旨在提高情感分类任务中的准确性和效率。通过实验验证了模型的有效性。 在自然语言处理领域内的情感分析是一项关键任务，旨在理解和判断文本中的情感倾向，包括正面、负面或中性情绪。随着深度学习技术的发展，特别是卷积神经网络（CNN）成功应用于图像识别后，研究人员开始将这一方法引入到文本情感分类的研究之中。 本段落介绍了一种基于深度卷积神经网络的模型来处理文本的情感分析问题。该模型利用多个堆叠在一起的卷积层提取不同窗口大小下的局部特征，从而能够理解文本中从细微到宏观的不同层次上的情感表达。每个卷积层负责捕捉特定层面的信息，并将其传递给更高层级进行进一步整合。 除了核心的卷积操作外，这个框架还采用了全局最大池化策略来挑选出最重要的信息并减少模型复杂度和过拟合风险。在分类阶段，通过聚合不同窗口的情感得分以确定整个文本的情绪倾向。实验结果显示该方法比传统技术具有更高的效率，并能更快地完成情感分析任务。 此外，为了增强语义理解能力，本研究可能还会采用预训练的词嵌入（如Word2Vec或GloVe）来初始化模型输入层中的权重参数。这些经过大规模文本数据训练得到的语言表示能够帮助神经网络在早期阶段就具备一定的语言感知力和背景知识。 综上所述，该深度卷积神经网络框架通过多层次特征提取及全局最大池化策略有效解决了文本情感分类难题，并提升了整体性能表现。此研究不仅为自然语言处理任务中的情感分析提供了一种新的视角，同时也为进一步改进相关领域的深度学习模型铺平了道路。