hang916的博客

2022-NeurIPS 多模态

《DialoKG: 知识结构感知面向任务的对话生成》学习笔记

图神经网络驱动了基于图的文本分类方法，成为了SOTA(state of the art)。本文展示了使用词袋(BoW)的宽多层感知器(MLP)在文本分类中优于基于图的模型TextGCN和HeteGCN，并且与HyperGAT相当。

深度学习已经成为处理自然语言处理（NLP）中各种任务的主要方法。尽管文本输入通常表示为一系列标记，但有大量的NLP问题可以用图结构最好地表达。因此，为大量NLP任务开发新的图深度学习技术的兴趣激增。在这项调查中，我们对用于NLP的图神经网络（GNN）进行了全面综述。我们提出了一种新的NLP GNN分类法，它沿着三个轴系统地组织了NLP GNNs的现有研究：图构建、图表示学习和基于图的编码器-解码器模型。我们进一步介绍了大量利用GNN功能的NLP应用程序，并总结了相应的基准数据集、评估指标和开源代码