【论文总结】TextGCN

点击上方，选择星标或置顶，每天给你送干货

阅读大概需要4分钟

跟随小博主，每天进步一丢丢

来自 | 知乎

地址 | https://zhuanlan.zhihu.com/p/111945052

作者 | S先森

编辑 | 机器学习算法与自然语言处理公众号

本文仅作学术分享，若侵权，请联系后台删文处理

这篇论文，还是挺简单的基于GCN的应用型文章，主要的贡献在于构建了基于文本和词的异构图，使得在GCN上能够对文本进行半监督分类。

Graph Convolutional Networks for Text Classification

既然图是核心，那我们先看看图是怎么构建的。

1. 图的构建

1.1 节点

这个图包含了两种节点，分别是document节点和word节点，这不难理解，文本就只有词嘛。关于词的预处理，只要我们按照文章给出要求（包括低频词处理、停留词处理、标点符号的处理）来处理，基本上就能获得同样的节点数量（特别是词节点数量）。

1.2 边

这里的边也是包含两种边：document-word 和 word-word

document-word

这个边的权重就是 TF-IDF，用 sklearn 的 TfidfTransformer 函数就能获得，当然，也可以按照作者代码里的那样自己手写。

但是用 TfidfTransformer 值得注意的是一些参数的调整，我下面直接给出代码吧。

使用 Pipeline是为了能够处理更大量的文本，不让会导致内存溢出。

text_tfidf = Pipeline([
                ("vect", CountVectorizer(min_df=1,
                                         max_df=1.0,
                                         token_pattern=r"\S+")),
                ("tfidf", TfidfTransformer(norm=None,
                                           use_idf=True,
                                           smooth_idf=False,
                                           sublinear_tf=False
                                           ))
            ])

值得注意的 CountVectorizer 中的这三个参数 min_df, max_df 和 token_pattern，如果按照默认的来，会过滤掉一些词，这样就没法完全重现文章的最后效果。

而 TfidfTransformer 中，就要注意 norm=None ，这些都是复现过程中的一些坑。

这样，就能构建document-word的边及其权重。

word-word

在这里，文章用了一个叫做 PMI 的方法来计算的。简单来说，就是在一定的范围内，这两个词共现的频率，这很容易理解，就是共现次数越高，权重越大。

1. 首先我们需要用一个长度为 L 的窗口（window）来把一个句子切割成一个个小段 （注意词去重）。这样，我们就会获得一大堆 windows（一堆长度为 L 的词片段），也就是 #W。
2. 然后统计 词在 windows 里出现的频率；再统计 windows 每个window 里 词 两两组合 的频率。这样我们就能获得 #W(i) 和 #W(i, j)。
3. 最后就是根据公式来计算了，如下图。

PMI的计算公式

这样子，我们就完成了TextGCN里所说异构图了。

其他

1. TextGCN使用的是 one-hot 作为特征输入，我试了用随机或者GloVe、BERT，效果都莫名其妙地差，不知道为啥呢？
2. 训练集和测试集 得按照数据集里标注的那样切割，随机划分，效果也会不好。
3. word-word PMI 这个边，去除了会有1%～3%的准确率下降，但训练速度会快很多，毕竟减少了很多边。
4. 迭代次数和训练率也会影响最后的复现效果，严格按照论文里给出的条件吧。

那就总结到这里，以后补一下其他实验吧。