GAT代码更换Text_gcn数据集实验记录

最新推荐文章于 2024-07-02 09:24:33 发布
最新推荐文章于 2024-07-02 09:24:33 发布
阅读量1.9k 收藏 12
点赞数 4
文章标签： 自然语言处理 tensorflow 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xulijun_811/article/details/105839154
版权
本文档记录了使用GAT模型替换TextGCN数据集为R52，并缩减数据量以适应笔记本内存的过程。在数据预处理阶段，保留了60条数据，其中训练集50条，测试集10条。实验中遇到的错误包括test.index文件引用错误、邻接矩阵转换问题以及验证集边界错误。通过逐步调试和修改代码，最终解决了这些问题并成功运行模型，得到了实验结果。
摘要由CSDN通过智能技术生成

我选的是gcn里R52数据集，由于数据量太大，笔记本内存有限，所以需要删一些数据让数据变小，主要是想看到完整的实验过程。首先，找到原始文档也就是gcn里面的corpus下R52数据集，这里面都是文档一行是一条数据，我保留了60条，然后更改data下的R52.text,这里面数据也是保留60条，但是要注意里面有test和train两种数据，我train保留了50条，test是10条，如果不注意把test全删掉会出现以下错误，ty的矩阵会出现问题。

删好后 运行text_gcn，x,y,tx,ty,allx,ally,shape结果如下：

运行后生成 ind.R52.adj文件和ind.R52.x,ind.R52.y,,ind.R52.tx,ind.R52.ty,ind.R52.allx,ind.R52.ally文件，处理完数据后把这些文件还有 R52.test.index粘到GAT项目data文件夹下，先要修改数据集路径，

找到test.index文件，然后运行提示我没有ind.R52.gr

最低0.47元/天 解锁文章
xulijun_811
关注
TextGCN 代码阅读注释
Talk Is Cheap
12-24 3732
build_graph.py import os import random import numpy as np import pickle as pkl import networkx as nx import scipy.sparse as sp from utils import loadWord2Vec, clean_str from math import log from sklea...
图注意力网络(GAT)原理与代码实战案例讲解
最新发布
程序员光剑
07-31 496
图注意力网络(GAT)原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 图神经网络（Graph N
text_gcn：用于文本分类的图卷积网络。 AAAI 2019
02-03
text_gcn 本文中Text GCN的实现： 梁耀，毛成胜，罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议（AAAI-19）中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时，将上述3个命令行中的20ng更改为R8 ， R52 ， ohsumed和mr 。 输入数据示例 /data/20ng.txt表示文档名称，培训/测试组，文档标签。 每行都是一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，每行对应/data/20ng.txt的相应行 prepare_data.py是准备自己的数据的示例，请注意，文档或句子中的“ \ n”已删除。 归纳版 文本GCN的归纳版本是 ，其中培训过程中未包括测试文档。
【论文总结】TextGCN
zenRRan的博客
04-17 1498
点击上方，选择星标或置顶，每天给你送干货！阅读大概需要4分钟跟随小博主，每天进步一丢丢来自 |知乎地址 |https://zhuanlan.zhihu.com/p/111945052...
【PYG】简单验证GCN结合Cora数据集
Never Give Up
07-02 680
Cora 数据集由 2708 篇科学出版物组成，这些出版物被分为 7 个类别。节点代表论文，边代表引用关系。每个节点有一个 1433 维的特征向量，表示论文的词袋模型（Bag of Words），特征向量中的每个维度表示某个词汇是否出现在论文中。
PyTextGCN:TextGCN的另一种重新实现，这次是使用Cython和PyTorch-geometric
03-15
PyTextGCN 对TextGCN的重新实现。 此实现使用Cython进行文本到图形的转换，因此速度相当快。 图形和GCN基于库。 要求 该项目的构建具有： 的Python 3.8.5 Cython 0.29.21 CUDA 10.2（GPU支持可选） scikit学习0.23.2 pytorch 1.7.0 火炬几何1.6.3 海湾合作委员会9.3.0 nltk 3.5 scipy 1.5.2 至少Text2Graph模块也应该与这些库的其他版本一起使用。 安装 cython编译可以从项目的根目录执行： cd textgcn/lib/clib && python setup.py build_ext --inplace 用法 要从称为X的字符串列表（每个字符串包含一个文档的文本）中计算出图形，请创建名为y的标签列表以及测试索引test_idx的列表，只需运行：
ST-GCN训练自建数据集
weixin_48159023的博客
11-29 9726
参考了许多博文，慢慢地也就把st-gcn跑出来了，参考的文章一会附在文章里面，实测有用。 1.安装st-gcn 复现STGCN CPU版 （ubuntu16.04+pytorch0.4.0+openpose+caffe）_Significance的博客-CSDN博客​​​​​​复现旧版STGCN GPU版 （win10+openpose1.5.0）_Significance的博客-CSDN博客2 2.准备训练数据集 官方使用的是Kinetics-skeleton和NTU RGB+D两个数据集来训练网
gcn在图像上的应用_GCN总结 - nxf_rabbit75 - 博客园
weixin_35160923的博客
01-15 3170
一、GCN简介GNN模型主要研究图节点的表示(Graph Embedding)，图边结构预测任务和图的分类问题，后两个任务也是基于Graph Embedding展开的。目前论文重点研究网络的可扩展性、动态性、加深网络。谱卷积有理论支持，但有时候会受到拉普拉斯算子的限制；而空间域卷积更加灵活，主要困难在于选择定量邻域上，没有统一理论。未来方向：加深网络: 研究表明随着网络层数增加，模型性能急剧下降感...
图卷积神经网络 GAT 模型的基本原理和操作步骤 Using GAT Layers for Text Classification in NLP Tasks
程序员光剑
08-08 1612
近年来，图神经网络 (GNN) 在处理图结构数据方面展现出强大的能力，受到广泛关注。其中，图注意力网络 (Graph Attention Network, GAT) 作为一种新型的 GNN，通过引入注意力机制，能够更好地捕捉节点之间的依赖关系，在多个领域取得了显著成果。在自然语言处理 (NLP) 领域，文本数据通常可以被建模成图结构，例如句子中单词之间的语法关系、文档中句子之间的语义联系等。因此，将 GAT 应用于 NLP 任务也逐渐成为研究热点。
图神经网络GCN,GraphSAGE,GAT简述
weixin_42388228的博客
10-16 2418
图的两大要素:node(顶点),edge(边,即顶点与顶点之间的连接) GCN,GraphSAGE,GAT均是在Weisfeiler-Lehman (WL-1)算法的基础上修改了每个iteration顶点更新的方程，都是通过使用与某个顶点相连的顶点来不断更新该顶点的特征向量 Weisfeiler-Lehman (WL-1)算法 GCN SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS GCN将for循环的hash函数换成了其他
GCN参考文献.zip
08-20
Graph Convolutional Network（GCN）相关paper本分类任务是NLP领域一个重要和经典的问题，先前的工作利用CNN进行了很多尝试，但是却鲜有使用GCN来建模。作者提出了使用Text GCN来进行文本分类任务，基于词共现和文档词关系为一个语料建立一个单独的文本图，然后为语料学习Text GCN模型。该模型通过One-hot表示为词和文档初始化，然后联合学习词和文档的Embedding。实验结果表明，在没有任何外部的词Embedding和知识的情况下，本文提出的Text GCN模型在多个文本分类benchmark数据集上取得了SOAT的效果。另一方面，Text GCNT也在学习预测词和文档的Embedding，在训练数据量更少的情况下，Text GCN在文本分类任务上比SOAT的优势更明显，表现出了很好的鲁棒性。
Text GCN
Garee的博客
07-28 1403
论文网址：https://arxiv.org/abs/1809.05679 介绍 关于文本分类，我们之前学了CNN。CNN会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局的词共现，词共现中携带了不连续以及长距离的语义信息。作者提出了一种新颖的图神经网络文本分类方法。将整个语料库建模为异构图并通过图神经网络共同学习单词和文档嵌入的研究。作者的方法无需使用预训练的单词嵌入或外部知识。 还可以自动学习预测词和文档嵌入。 文中提出了一种新的基于图神经网络的文本分类方法
c# 存档修改 读取 写入
weixin_33708432的博客
04-03 191
内涵图 转载于:https://www.cnblogs.com/jhcla/p/4390174.html
文本分类论文及pytorch版复现（四）：TextGCN
qq_28969139的博客
03-30 4081
Graph Convolutional Networks for Text Classification 一、模型 图示： 图的定义： 二、代码 import torch import numpy as np import torch.nn.functional as F from torch import nn, tensor from textgcn.config i...
【论文翻译 | AAAI2019】TextGCN - Graph Convolutional Networks for Text Classification
qq_36291847的博客
04-04 1672
Graph Convolutional Networks for Text Classification 文章目录摘要1 引言2 相关工作3 方法4 实验5 结论与未来工作二级目录三级目录 摘要 文本分类是自然语言处理中的一个重要的经典问题。已有许多研究将卷积神经网络(在规则网格上的卷积，如序列)应用于分类。然而，只有为数不多的研究探索了更为灵活的图卷积神经网络(非网格上的卷积，如任意图)来完成这项任务。在这项工作中，我们建议使用图卷积网络进行文本分类。基于词的共现和文档词的关系，为语料库构建单一的文本图，
NLP-分类模型-2018-文本分类：TextGCN【构建了基于文本和词的异构图，使得在GCN上能够对文本进行半监督分类】
u013250861的博客
09-18 1707
《原始论文：Graph Convolutional Networks for Text Classification》 一、概述 文本分类是自然语言处理中一个常见的基础问题。我们常用的文本表示方法有CNN，RNN/LSTM等等。这些模型会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局（这个数据集/语料库）的词共现，全局词共现中携带了不连续以及长距离的语义信息。 这篇文章提出了一个新颖的基于图神经网络的方法来做文本分类，使用整个数据集/语料库来构建一个大的异构图
Pytorch1.4下运行 GCNv2slam 需要修改的地方
weixin_45650404的博客
05-13 5651
1 .编译 GCNextractor.h 第99行： std::shared_ptr<torch::jit::script::Module> module; 改为： torch::jit::script::Module module; GCNextractor.cc 第270行： auto output = module->forward(inputs).toTuple(); 改为： auto output = module.forward(inputs).toTuple();
GNN在文本分类上的应用 | (1) TextGCN
热门推荐
sdu_hao的博客
02-06 1万+
原文下载链接 开源实现(PyTorch)(基于Github上，TextGCN的PyTorch实现版本，额外添加了一些详细的注释；官方实现基于TF) 本篇博客是对论文《Graph Convolutional Networks for Text Classification》的阅读笔记。 目录 1. 简介 2. 方法 3. 结论分析 1. 简介 文本分类是自然语言处理中一个常见的基础...
gcn与gat代码区别
05-13
GCN（Graph Convolutional Network）和GAT（Graph Attention Network）都是基于图神经网络的模型，主要用于节点分类、节点嵌入和图分类等任务。它们的主要区别在于： 1. 网络结构：GCN和GAT的网络结构有所不同。GCN是基于图卷积操作的，每个节点的表示是其邻居节点的加权平均值；而GAT是基于图注意力机制的，每个节点的表示是其邻居节点的加权和，权重是通过注意力机制计算得到的。 2. 特征传递方式：在GCN中，每个节点的邻居节点的特征被平均池化并加权，然后传递给当前节点；而在GAT中，每个节点的邻居节点的特征通过注意力机制计算得到不同的权重，然后加权求和并传递给当前节点。 3. 计算效率：由于GCN是基于邻接矩阵的卷积操作，因此在处理大规模图数据时，其计算效率较低；而GAT使用注意力机制可以大大减少无效计算，因此在处理大规模图数据时具有更好的计算效率。 关于代码实现，GCN和GAT的代码实现方式有所不同，但都可以使用深度学习框架（如PyTorch、TensorFlow等）来实现。在实现过程中，需要注意网络结构的不同以及特征传递方式的差异。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值