【NLP| 推荐文章】用图递归网络解决图的NLP问题（Tackling Graphical NLP problems with Graph Recurrent Networks）

论文题目： Tackling Graphical NLP problems with Graph Recurrent Networks

论文摘要： 如何正确建模图是NLP领域中一个长期存在和重要的问题，其中几种常见的图类型是知识图谱、语义图和依赖图。与其他数据结构（如序列和树）相比，图在表示实体间的复杂相关性方面通常更强大。例如，知识图谱存储真实的单词实体（如“Barack_Obama”和“U.S.”）及其关系（如“live_in”和“lead_by”）。正确编码知识图有利于用户应用，如问答和知识发现。建模图也很有挑战性，可能是因为图通常包含大量的循环关系。近年来，深度学习，特别是基于RNN的模型，在许多NLP问题上取得了成功。此外，RNNs及其变异在一些图论问题上得到了广泛的研究，并取得了初步的成功。尽管已经取得了一些成功，但是基于RNN的模型在图上仍然存在一些主要的缺陷。首先，它们只能消耗顺序数据，因此需要对输入图进行线性化，从而导致重要的结构信息丢失。其次，序列化结果通常很长，因此RNNs对它们进行编码需要很长时间。本文提出了一种新的图神经网络，称为图递归网络（GRN）。我们研究了GRN模型在机器阅读理解、关系抽取和机器翻译四个不同任务上的应用。有些图是没有边标签的无向图，而另一些图是有边标签的有向图。为了考虑这些重要的差异，我们逐渐增强了GRN模型，例如进一步考虑边缘标签和添加RNN解码器。精心设计的实验证明了GRN对所有这些任务的有效性。

作者简介： Linfeng Song，目前是罗切斯特大学计算机科学系丹尼尔·吉尔德教授的博士生。他目前的研究领域是自然语言理解（NLU）、问答（QA）、信息抽取（IE）和机器翻译（MT）。他获得了东北大学（中国）的学士学位。本科毕业后，他在中国科学院计算技术研究所攻读硕士学位。 个人主页：https://www.cs.rochester.edu/~lsong10/