Graph-to-Sequence Learning using Gated Graph Neural Networks读书笔记

发表于ACL2018

很多NLP问题可以建模为Graph-to-Sequence问题。

存在的问题：

    之前方法有两种：grammar-based和seq2seq方法。grammar-based方法需要graph结点和字符token的对齐，seq2seq方法直接忽略了结构信息。

   

采用的方法：

    本文利用Gated Graph Neural Networks(GGNN)编码图信息，再利用encoder-decoder结构实现g2s

 

notes：

    GGNN定义有所改进

    对graph作了Levi变换，解决了edge label存在的参数过多和上下文无关的问题。