.png){kind=icon}
返回
Knowledge graph-enhanced embedded topic model for short-text classification
.png){kind=icon}
PRE
AI
DOI：10.1177/01655515251359769.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于有限的词共现信息，理解短文本的语义主题具有挑战性。利用预训练词嵌入或引入外部来源的上下文信息可能会增加噪声并误导短文本的主题表示，从而降低分类性能。为提高短文本分类的准确性，我们提出了一种知识图谱增强的主题模型，称为图卷积嵌入主题模型（GCETM），该模型同时学习图网络和主题建模。GCETM采用图卷积网络（GCN）将当前短文本的先验人类知识注入主题嵌入空间。为适应模型拟合，我们提出了针对平均化变分推断的数据驱动正则化方法。除GCETM主题推断外，我们还利用语料库统计信息为短文本提供语义丰富的向量表示，以进行分类。实验结果表明，使用线性支持向量机（SVM）分类器，在AgNews数据集上达到97.15%的准确率，在SearchSnippets数据集上达到97.75%的准确率，在Movie Review（MR）数据集上达到98.73%的准确率，在TMNews数据集上达到98.7%的准确率，在Twitter数据集上达到96.5%的准确率，在R8数据集上达到98.44%的准确率，超越了多个当前最优基线。
Keyword:
Embedded topic model
knowledge fusion
knowledge graph
short text
text classification
期刊
J
IF:
1.7
论文数:
68
被引数:
3.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容