weixin_43747748的博客

论文解读：使用图注意力网络进行多粒度机器阅读理解的文档建模阅读目的：学习该论文中基于文档结构的多粒度建模。摘要“自然问题”是一种具有挑战性的新机器阅读理解基准，它具有两个粒度的答案，即长答案（通常是一个段落）和短答案（长答案中有一个或多个实体）。尽管现有方法在此基准上很有效，但它们在训练期间会分别对待这两个子任务，而忽略了它们之间的依赖性。为了解决这个问题，我们提出了一个新颖的多粒度机器阅读理解框架，该框架专注于以文档的分层性质对文档进行建模，这些文档具有不同的粒度级别：文档，段落，句子和标记。我们使

Part 2: Semi-Supervised Learning with Spectral Graph Convolutions基于图的机器学习是一项艰巨的任务，因为它非常复杂，而且信息结构也很丰富。这篇文章是有关如何使用图卷积网络（GCN）在图上进行深度学习的系列文章中的第二篇，图卷积网络是一种功能强大的神经网络，旨在直接在图上工作并利用其结构信息。我将简要回顾上一篇文章，但您可以在这里找到该系列的其他部分：图卷积网络的高级介绍具有谱图卷积的半监督学习（本文）在上一篇文章中，我对GCN作了简要

图的机器学习是一项艰巨的任务，因为它非常复杂，而且信息结构也很丰富。这篇文章是有关如何使用图卷积网络（GCN）在图上进行深度学习的系列文章中的第一篇，图卷积网络是一种功能强大的神经网络，旨在如何利用其结构信息并且直接在图上进行工作。该系列的文章是：图卷积网络的高级介绍频谱图卷积的半监督学习在本文中，我将对GCN进行介绍，并使用编码示例说明如何通过GCN的隐藏层传播信息。我们将看到GCN如何汇总来自先前各层的信息，以及该机制如何产生图中节点的有用特征表示。什么是图卷积网络？GCN是用于基于图的机

文档句子关系抽取 EMNLP 2019论文地址代码地址abstract文档级关系提取是一个复杂的人工过程，需要逻辑推理才能提取文本中命名实体之间的关系。现有的方法使用基于图的神经模型，以单词为节点，边为单词之间的关系，来对句子之间的关系进行编码。这些模型是基于节点的，即，它们仅基于两个目标节点对来形成表示。但是，实体关系可以通过为节点之间构造唯一的边表示来更好地表达。因此，我们提出了一种用于文档级关系提取的面向边的图神经模型，该模型利用不同类型的节点和边来创建文档级图。图边缘的推理机制使用多实例学习

异构图神经网络用于抽取文档摘要（2020 ACL）abstract学习跨句子之间的关系作为提取文档摘要过程中的关键步骤，已有多种方法被提出来研究该问题。一种直观的方法是将它们放在基于图的神经网络中，该网络具有更复杂的结构以捕获句子之间的关系。在本文中，我们提出了一种基于异构图的神经网络（HETERSUMGRAPH）用于提取摘要，该网络包含除句子外的不同粒度级别的语义节点。这些额外的节点充当句子之间的“中介”，并丰富了跨句关系。此外，通过引入文档节点，我们的图结构可以灵活地自然扩展，从单个文档设置到多文档