图神经网络代码_图系列|ACL2020五篇与图神经网络GNN相关的论文汇总

​本文回顾ACL2020与图神经网络相关的五篇论文，主要的内容涉及摘要提取，问题生成，情感分析，假新闻检测，以及法律条款的区分。希望能够给你的科研和工作带来一些帮助，如果你觉得有用，欢迎收藏与转发。以下是本文回顾的论文列表，其中多个工作相关的代码已经公开，相关研究方向的同学可以下载下来，运行一波，看看论文，代码以及自己的理解有没有什么问题。

• 用于提取式文档摘要的异构图神经网络Heterogeneous Graph Neural Networks for Extractive Document Summarization
• 用于生成深度问答的语义图Semantic Graphs for Generating Deep Questions
• 用于Aspect情感分析的关系图注意力网络Relational Graph Attention Network for Aspect-based Sentiment Analysis
• GCAN：用于社交媒体上假新闻检测并具有可解释性的图感知共注意力网络GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media
• 区分法律判决书中令人困惑的法律条款Distinguish Confusing Law Articles for Legal Judgment Prediction

1.用于提取文档摘要的异构图神经网络

题目：Heterogeneous Graph Neural Networks for Extractive Document Summarization

作者：复旦大学Danqing Wang等

链接：https://arxiv.org/pdf/2004.12393.pdf代码：https://github.com/brxx122/HeterSUMGraph主要内容：学习跨句关系是文档摘要提取的关键步骤，目前已有多种研究方法。一种直观的方法是将它们放入基于图的神经网络中，这种神经网络具有更复杂的结构来捕获句子之间的关系。本文提出了一种基于异构图的提取摘要神经网络，该网络包含除句子外的不同粒度的语义节点。这些额外的节点充当句子之间的中介，丰富了跨句关系。此外，通过引入文档节点，该图结构在从单文档设置到多文档设置的自然扩展方面具有灵活性。作者称，他们是第一个将不同类型的节点引入到基于图的神经网络中进行提取文档摘要，并对其进行全面的定性分析来研究其好处的。

2.用于生成深层问题的语义图

题目：Semantic Graphs for Generating Deep Questions

作者：NUS Liangming Pan等

链接：https://arxiv.org/abs/2004.12704

代码：https://github.com/YuxiXie/SG-Deep-Question-Generation主要内容：本文提出了“深层问题生成”（DQG）问题，该问题旨在生成需要对输入段落的多条信息进行推理的复杂问题。为了捕获文档的全局结构并促进推理，作者提出了一个框架，该框架首先为输入文档构造语义级别的图，然后通过引入基于注意力的GGNN（Att-GGNN）对语义图进行编码。然后，融合文档级和图级表示，以进行内容选择和问题解码的联合训练。在以HotpotQA深度问题为中心的数据集上，该模型极大地提高了需要对多个事实进行推理的问题的性能，从而实现了最先进的性能。

3.用于情感分析的关系图注意力网络

题目：Relational Graph Attention Network for Aspect-based Sentiment Analysis

作者：中山大学Kai Wang等

链接：https://arxiv.org/abs/2004.12362主要内容：情感分析旨在确定评论中特定方面的情感极性。最近的工作采用基于注意力的神经网络模型来隐含地将方面与见解词联系起来。但是，由于语言的复杂性以及单个句子中存在多个方面，这些模型经常使连接混乱。在本文中，作者通过对语法信息进行有效编码来解决此问题。首先，通过重塑和修剪普通的依赖关系分析树，定义了一个基于目标方面的，面向方面的统一依赖关系树结构。然后，提出了一个关系图注意力网络（R-GAT）来编码用于情感预测的新树结构。在SemEval 2014和Twitter数据集上进行了广泛的实验，实验结果证实，使用该方法可以更好地建立方面和见解词之间的联系，从而显着提高图注意力网络（GAT）的性能.

4.GCAN：用于社交媒体上假新闻检测并具有可解释性的图感知共注意力网络

题目：GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media

作者：National Cheng Kung University Yi-Ju Lu等

链接：https://arxiv.org/pdf/2004.11648.pdf

代码：https://github.com/l852888/GCAN

主要内容：本文在更现实的社交媒体场景下解决了假新闻检测问题。给定源短消息推文和相应的未使用文本评论的转推用户序列，本文旨在预测源推文是否为假，并通过突出显示有关可疑转发器的证据及其所涉及的词语来产生解释。作者开发了一种基于图神经网络的型，即图感知CoAttention网络（GCAN），来实现该目标。在真实推文数据集上进行的大量实验表明，GCAN的准确率平均可比现有技术高出16％。此外，案例研究还表明，GCAN可以提供合理的解释。

5.区分法律判决书中令人困惑的法律条款

题目：Distinguish Confusing Law Articles for Legal Judgment Prediction

作者：西安交通大学Nuo Xu等

链接：https://arxiv.org/abs/2004.02557主要内容：法律审判预测（LJP）是在给出描述其事实的文本的情况下自动预测法律案件的判决结果的任务，在司法协助系统和为公众提供便捷服务方面具有良好的前景。在实践中，经常会产生混淆的指控，因为适用于类似法律条款的法律案件很容易被误判。为了解决这个问题，现有方法严重依赖领域专家，这阻碍了它在不同法律体系中的应用。在本文中，作者提出了一种端到端模型LADAN来解决LJP的任务。为了区分混乱的指控，本文提出了一种图神经网络，可以自动学习混乱的法律文章之间的细微差别，并设计一种注意力机制，该机制可以充分利用所学到的差别，从事实描述中专心地提取令人信服的歧视性特征。在真实数据集上进行的实验验证了LADAN的优越性。