由于其在非欧几里德数据(如图或流形)建模方面的强大能力,图的深度学习技术(即图神经网络(GNNs))为解决具有挑战性的图相关NLP问题打开了一扇新的大门。将深度学习技术应用于自然语言处理的研究兴趣大增,并在许多自然语言处理任务中取得了相当大的成功,包括句子分类、语义角色标注和关系抽取等分类任务,以及机器翻译、问题生成和摘要等生成任务。尽管取得了这些成功,但面向NLP的图深度学习仍然面临许多挑战,包括自动将原始文本序列数据转换为高度图结构的数据,以及有效地建模复杂数据,这些数据涉及基于图的输入和其他高度结构的输出数据(如序列、树、树)之间的映射。以及节点和边中都有多种类型的图数据。本教程将涵盖在图形技术上应用深度学习的相关和有趣的主题,包括用于NLP的自动图形构建、用于NLP的图形表示学习、用于NLP的基于高级GNN模型(例如,graph2seq、graph2tree和graph2graph),以及GNN在各种NLP任务中的应用(例如,机器翻译、自然语言生成、信息提取和语义解析)。此外,还将包括动手演示会议,以帮助观众获得使用我们最近开发的开源库Graph4NLP应用gnn解决具有挑战性的NLP问题的实践经验。Graph4NLP是第一个为研究人员和实践者方便地使用GNN完成各种NLP任务的库。