《表2 模型分类准确率:松耦合图卷积文本分类网络》
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.
图表编号 | XD00213648400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.01 |
作者 | 肖驰、徐林莉 |
绘制单位 | 中国科学技术大学计算机科学与技术学院、中国科学技术大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |