【paper总结】图神经网络+nlp（文本分类、匹配）

1.图表示解决长文本关系匹配问题：腾讯提出概念交互图算法

论文地址：https://arxiv.org/abs/1802.07459
相关数据资源：https://github.com/BangLiu/ArticlePairMatching

提出 Concept Interaction Graph 用于分解一篇或者一对文章。其主要思想是「化整为零，分而治之」。CIG 中的每个节点包含几个高度关联的关键字，以及和这些关键字高度相关的句子集。当进行文本对匹配时，每个节点包含来自两篇文章的两个句子集。这样，多个节点代表了两篇文章中的不同的子话题，并囊括了文章中的一部分句子并进行了对齐。节点之间的边代表不同子话题之间的联系紧密度。
基于 Concept Interaction Graph，论文进一步提出通过图神经网络（Graph Neural Networks）对文本对进行局部和全局匹配。具体而言，对每个节点上的文本对，利用编码器进行局部匹配，从而将长文本匹配转化为节点上的短文本匹配；再通过图神经网络来将文章结构信息嵌入到匹配结果中，综合所有的局部匹配结果，来得到全局匹配的结果。
个人认为这个建图方式在在长文本匹配里面是比较独特的。不过有点疑惑：具体构图过程规则较容易产生误差，最后是否会产生错误传递到后面节点内的短文本匹配上？