《表2 模型分类准确率：松耦合图卷积文本分类网络》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《松耦合图卷积文本分类网络》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表2中我们可以发现，相比于CNN、LSTM等传统神经网络模型，基于图卷积网络的分类模型都表现出良好的分类性能．譬如，在Ohsumed数据集上，基于图卷积网络的模型有大约10个百分点的提升．这些结果说明GCN网络能够给文本分类任务带来有效提升．这可能是因为GCN模型能够对单词的全局共现关系进行建模，通过图卷积操作后，模型能够为每个节点学习到准确的向量表示．我们还注意到，在使用预训练词向量的情况下，LCGCN模型比Text-GCN模型平均提升了约1个百分点．提升主要来自两部分:1)模型在核心网络和匹配模块中引入了标签信息，使得整个模型具备更强的表达能力；2)模型采用拼接多层特征的方法缓解图卷积网络的过度平滑问题．我们还注意到在Ohsumed数据集上，LCGCN模型的分类结果比Text-level模型略差，但是依然排在第2位．这可能是因为Ohsumed数据集单词词表相对较大而训练数据相对较少，这导致LCGCN模型的泛化性能受限．