六篇 EMNLP 2019 最新公布的【图神经网络(GNN)+NLP】相关论文

【导读】自然语言处理国际顶级会议EMNLP 2019将于11月3日至11月7日在中国香港举行。为了带大家抢先领略高质量论文,专知小编特意整理了六篇EMNLP 2019最新GNN相关论文,并附上arXiv论文链接供参考——命名实体识别、情感分类、对话图卷积网络、数据生成文本、短文本分类、Aspect-level情感分类等。

ICCV2019GNN_Part2ICCV2019GNN_Part1NIPS2019GNNIJCAI2019GNN_Part1IJCAI2019GNN_Part2、 KDD2019GNNACL2019GNNCVPR2019GNNICML2019GNN

1. A Lexicon-Based Graph Neural Network for Chinese NER

作者:Tao Gui, Yicheng Zou, Qi Zhang;

摘要:递归神经网络(RNN)用于中文命名实体识别(NER)中,能够对文字信息进行顺序跟踪,取得了很大的成功。然而,由于链式结构的特点和缺乏全局语义,基于RNN的模型容易产生歧义。本文试图通过引入一种全局语义的基于词典的图神经网络来解决这一问题,该网络利用词典知识连接字符来捕获局部成分,而全局中继节点则可以捕获全局句子语义和长距离依赖。基于字符、潜在单词和整个句子语义之间的多重交互,可以有效地解决单词歧义。在4个NER数据集的实验表明,该模型与其他基线模型相比有显著的改进。

网址:

http://qizhang.info/paper/emnlp-2019.ner.pdf

2. Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks

作者:Chen Zhang, Qiuchi Li, Dawei Song;

摘要:注意机制和卷积神经网络(CNNs)由于其固有的方面和上下文词的语义对齐能力,被广泛应用于基于方面的情感分类。然而,这些模型缺乏一种机制来解释相关的句法约束和长距离的词语依赖,因此可能会错误地将句法无关的上下文词作为判断方面情绪的线索。为了解决这个问题,我们提出在句子的依存树上建立一个图卷积网络(GCN),以利用句法信息和词的依存关系。在此基础上,提出了一种新的面向方面的情感分类框架。在三个基准集合上的实验表明,我们所提出的模型比一系列最先进的模型更具有相当的有效性,并且进一步证明了图卷积结构能够恰当地捕获语法信息和长距离字的依赖关系。

网址:

https://arxiv.org/abs/1909.03477

3. DialogueGCN A Graph Convolutional Neural Network for Emotion Recognition in Conversation

作者Deepanway Ghosal, Navonil Majumder, Soujanya Poria, Niyati Chhaya, Alexander Gelbukh;

摘要:会话情感识别(ECC)由于其在医疗、教育、人力资源等多个领域的广泛应用,近年来受到了研究者的广泛关注。在本文中,我们提出了对话图卷积网络(DialogueGCN),基于图神经网络的ERC方法。我们利用对话者的自言和对话人之间的依赖关系来为情绪识别建立会话环境模型。DialogueGCN通过图形网络解决了当前基于RNN的方法中存在的上下文传播问题。我们经验表明,这种方法缓解了这样的问题,同时在一些基准的情绪分类数据集上超过了目前的状态。

网址:

https://arxiv.org/abs/1908.11540

4. Enhancing AMR-to-Text Generation with Dual Graph Representations

作者:Leonardo F. R. Ribeiro, Claire Gardent, Iryna Gurevych;

摘要:基于图的数据生成文本,如抽象意义表示(AMR),是一个具有挑战性的任务,因为如何正确地对具有标记边的图的结构进行编码存在固有的困难。为了解决这一难题,我们提出了一种新的图-序列模型,该模型对AMR图中包含的结构信息的不同但互补的透视图进行编码。该模型学习节点的自顶向下和自下而上的并行表示,以捕获图的对比视图。我们还研究了不同节点消息传递策略的使用,使用不同的最先进的图形编码器来计算基于传入和传出透视图的节点表示。在我们的实验中,我们证明了对偶图表示法可以改进AMR到文本的生成,从而在两个AMR数据集上取得了最先进的效果。

网址:

https://arxiv.org/abs/1909.00352

5. Heterogeneous Graph Attention Networks for Semi-supervised Short Text Classification

作者:Linmei Hu, Tianchi Yang, Chuan Shi, Houye Ji, Xiaoli Li ;

摘要:短文本分类在新闻和推特标记中得到了丰富而重要的应用,以帮助用户查找相关信息。由于在许多实际用例中缺乏标记的训练数据,因此迫切需要研究半监督短文本分类。现有的研究大多集中在长文本上,由于标记数据的稀疏性和局限性,在短文本上的表现不尽人意。本文提出了一种新的基于异构图神经网络的半监督短文本分类方法,该方法充分利用了标记数据少和未标记数据大的优点,实现了信息在图上的传播。特别是,我们提出了一种灵活的HIN(异构信息网络)框架,用于建模短文本,它可以集成任何类型的附加信息,并捕获它们之间的关系来解决语义稀疏性。然后,我们提出了基于节点级和类型级注意的双重注意机制的异构图注意网络(HGAT)嵌入HIN进行短文本分类。注意机制可以学习不同相邻节点的重要性,以及不同节点(信息)类型对当前节点的重要性。大量的实验结果表明,我们提出的模型在6个基准数据集上的性能显著优于最先进的方法。

网址:

http://shichuan.org/doc/74.pdf

6. Syntax-Aware Aspect Level Sentiment Classification with Graph Attention Networks

作者:Binxuan Huang, Kathleen M. Carley ;

摘要:Aspect-level情感分类旨在识别向上下文语句给出的aspect表达的情绪。以往的基于神经网络的方法在很大程度上忽略了句子的句法结构。在本文中,我们提出了一种新的目标依赖图注意力网络(TD-GAT)来进行方面层次的情感分类,该网络明确利用了词语之间的依赖关系。使用依赖图,它直接从一个方面目标的语法上下文传播情感特征。在我们的实验中,我们证明了我们的方法优于使用GloVe嵌入的多个基线。我们还证明了使用BERT表示可以进一步显著地提高性能。

网址:

https://arxiv.org/abs/1909.02606

请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“EMNLP2019GNN” 就可以获取《六篇论文的下载链接~ 

-END-
专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~
专知《深度学习:算法到实战》课程全部完成!560+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!
点击“阅读原文”,了解报名专知《深度学习:算法到实战》
展开全文
Top
微信扫码咨询专知VIP会员