論文の概要: BiTe-GCN: A New GCN Architecture via BidirectionalConvolution of Topology and Features on Text-Rich Networks

• arxiv url: http://arxiv.org/abs/2010.12157v2
• Date: Thu, 4 Mar 2021 23:06:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 23:37:21.308193
• Title: BiTe-GCN: A New GCN Architecture via BidirectionalConvolution of Topology and Features on Text-Rich Networks
• Title（参考訳）: BiTe-GCN: テキストリッチネットワーク上のトポロジと特徴の双方向変換による新しいGCNアーキテクチャ
• Authors: Di Jin, Xiangchen Song, Zhizhi Yu, Ziyang Liu, Heling Zhang, Zhaomeng Cheng, Jiawei Han
• Abstract要約: BiTe-GCNは、トポロジとテキストリッチネットワークの機能の両方を双方向に畳み込む新しいGCNアーキテクチャである。 私たちの新しいアーキテクチャは、ブレークアウトの改善によって最先端よりも優れています。 このアーキテクチャは、JD検索のようないくつかのeコマース検索シーンにも適用できる。
• 参考スコア（独自算出の注目度）: 44.74164340799386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph convolutional networks (GCNs), aiming to integrate high-order neighborhood information through stacked graph convolution layers, have demonstrated remarkable power in many network analysis tasks. However, topological limitations, including over-smoothing and local topology homophily, limit its capability to represent networks. Existing studies only perform feature convolution on network topology, which inevitably introduces unbalance between topology and features. Considering that in real world, the information network consists of not only the node-level citation information but also the local text-sequence information. We propose BiTe-GCN, a novel GCN architecture with bidirectional convolution of both topology and features on text-rich networks to solve these limitations. We first transform the original text-rich network into an augmented bi-typed heterogeneous network, capturing both the global node-level information and the local text-sequence information from texts. We then introduce discriminative convolution mechanisms to performs convolutions of both topology and features simultaneously. Extensive experiments on text-rich networks demonstrate that our new architecture outperforms state-of-the-art by a breakout improvement. Moreover, this architecture can also be applied to several e-commerce searching scenes such as JD searching. The experiments on the JD dataset validate the superiority of the proposed architecture over the related methods.
• Abstract（参考訳）: グラフ畳み込み層を通して高次近傍情報を統合することを目的としたグラフ畳み込みネットワーク(gcns)は、多くのネットワーク分析タスクにおいて顕著な能力を示している。 しかし、オーバースムーシングや局所位相ホモフィイを含むトポロジー上の制限は、ネットワークを表現する能力を制限する。 既存の研究はネットワークトポロジにおける特徴畳み込みしか行わず、必然的にトポロジと特徴の不均衡をもたらす。 実世界では、情報ネットワークは、ノードレベルの引用情報だけでなく、ローカルなテキストシーケンス情報も含む。 テキストリッチネットワーク上でのトポロジと特徴の双方向畳み込みによる新しいGCNアーキテクチャであるBiTe-GCNを提案する。 まず、元のテキストリッチネットワークを拡張二型ヘテロジニアスネットワークに変換し、グローバルノードレベル情報とローカルテキストシーケンス情報の両方をテキストからキャプチャする。 次に、トポロジーと特徴の両方の畳み込みを同時に実行する識別畳み込み機構を導入する。 テキストリッチネットワークに関する広範囲な実験によって、新しいアーキテクチャがブレークアウトの改善によって最先端を上回っていることが証明された。 さらに、このアーキテクチャはjd検索のようないくつかのeコマース検索シーンにも適用できる。 jdデータセットにおける実験は、提案するアーキテクチャが関連する手法よりも優れていることを検証している。

関連論文リスト

• Topological Graph Signal Compression [7.836468889756101]
  本稿では,グラフ上での信号圧縮のための新しいTDL法を提案する。 我々のフレームワークは標準GNNとフィードフォワードアーキテクチャの両方を改善している。
  論文  参考訳（メタデータ） (2023-08-21T22:26:21Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• BSAL: A Framework of Bi-component Structure and Attribute Learning for Link Prediction [33.488229191263564]
  トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。 BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。 ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
  論文  参考訳（メタデータ） (2022-04-18T03:12:13Z)
• DPGNN: Dual-Perception Graph Neural Network for Representation Learning [21.432960458513826]
  グラフニューラルネットワーク(GNN)は近年注目を集め、グラフベースのタスクの多くで顕著なパフォーマンスを実現している。 既存のGNNの多くは、メッセージパッシングパラダイムに基づいて、1つのトポロジ空間内の近隣情報を反復的に集約している。 本稿では,マルチステップメッセージソースの特性,ノード固有のメッセージ出力,マルチスペースメッセージインタラクションに基づく新しいメッセージパッシングパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-10-15T05:47:26Z)
• Neural Network Layer Algebra: A Framework to Measure Capacity and Compression in Deep Learning [0.0]
  本稿では,(深度)ニューラルネットワークの内在特性を測定するための新しい枠組みを提案する。 畳み込みネットワークに重点を置いている間、我々のフレームワークはどんなネットワークアーキテクチャにも外挿できる。
  論文  参考訳（メタデータ） (2021-07-02T13:43:53Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。