.png){kind=icon}
返回
Optimizing keyphrase extraction with dependency relation-aware attention graph convolutional networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07303-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
关键词提取是自然语言处理中的一个重要挑战，具有多样化的应用。然而，现有的最先进方法使用卷积神经网络对文档进行建模，仅关注局部特征子序列以捕捉相邻元素之间的局部关系。这忽视了文档整体结构的重要性，直接影响生成的关键词质量。为解决此挑战，我们提出了一种端到端的关键词提取框架，用于探索依赖感知、自注意力机制和图卷积网络的集成，以进行潜在表示学习。此外，我们构建了一个标签选择过滤器，通过整合选择向量基于全局表示优化关键词预测结果，从而提高关键词的准确性。在公开数据集上的竞争性实验结果验证了所提出方法相比最先进方法的有效性。实验结果表明，在四个主要公开数据集上，F1@5和F1@10分数分别平均提升了约1.9%和7.8%。
Keyword:
Keyphrase extraction
Dependency relation-aware
Self-attention
Graph convolutional networks
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
暂无机构信息
引用论文
TextConvoNet: a convolutional neural network based architecture for text classificationTextConvoNet: 一种基于卷积神经网络的文本分类架构.png)
APPLIED INTELLIGENCE
OAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏SAMRank: Unsupervised Keyphrase Extraction using Self-Attention Map in BERT and GPT-2SAMRank：基于BERT和GPT-2中自注意力图的半监督关键词提取
OAAI
OAAI分享收藏
查看更多内容