Heterogeneous multiviews-based efficient graph contrastive learning model for short text classification

doi:10.1016/j.knosys.2025.114121

Heterogeneous multiviews-based efficient graph contrastive learning model for short text classification

2025-07-18

0

PRE

AI

DOI：10.1016/j.knosys.2025.114121

原文链接

原文求助

摘要

En 中文

短文本分类（STC）被广泛应用于各种工业场景。然而，短文本的有限语义内容以及标注数据的稀缺性阻碍了实践中准确高效的分类。近期研究已证明图对比学习在文本分类中的有效性。但引入外部语料库以丰富语义往往引入噪声，而图特征压缩会进一步降低原始语义信息——这两者均会负向影响分类准确性和鲁棒性。为解决这些问题，我们提出了一种新颖的基于异构多视图的高效图对比学习模型（HEGCL）用于STC。首先，我们从词语、实体和标签等多个信息源构建异构图，在保留原始语义的同时减轻外部噪声。然后，我们利用两层图卷积网络（GCN）和从原始文本中提取的主要术语（MD）矩阵生成增强特征视图，捕捉多样化的语义方面并缓解特征压缩过程中的信息损失。最后，我们通过GECL、NDCL和CCL三个模块执行多视图对比学习，以提升表示学习效果。在六个真实数据集上的大量实验表明，HEGCL在STC任务中，无论在分类准确性还是模型鲁棒性方面均优于当前最优（SOTA）方法。我们的代码可在https://github.com/zkq454/HEGCL找到。

Keyword:

Short Text Classification

Graph Contrastive Learning

Heterogeneous Graph

Multiview Contrastive Learning

Feature Compression

Heterogeneous multiviews-based efficient graph contrastive learning model for short text classification

摘要

期刊

机构

引用论文