总结
在graphSAGE的基础上特别对文本做了改进。node为sentence，计算embedding的时候，在aggregate之前，新增了一步：用ernie对self node和neighbor node做emb（token emb, position emb, segment emb），然后再aggregate
细节
模型提出的背景：textGraph比赛，需要选出来最能解释该问题answer的explanation
graph-SAGE从邻居节点aggregate的方式都比较简单，sum/mean/max，center node和neighbor node没有直接的interaction。ernie-SAGE在aggregate之前，先用ernie对self-node和neighbor-node做emb，然后把emb的结果再aggregate
建图：用K个candidate explanation sentences和1个answer作为node，用lexical overlap作为边。但是发现这样graph过于dense（node会连接很多不太相关的QA），改用pairwise binary classification system，就是用pre-trained model对explanation与question+answer做相似度打分，然后把得分高的top-M个explanation连接起来
建图后，用ernie-SAGE做node classification
558
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
