論文の概要: MotifClass: Weakly Supervised Text Classification with Higher-order Metadata Information

• arxiv url: http://arxiv.org/abs/2111.04022v1
• Date: Sun, 7 Nov 2021 07:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 15:25:37.593571
• Title: MotifClass: Weakly Supervised Text Classification with Higher-order Metadata Information
• Title（参考訳）: MotifClass:高次メタデータ情報を用いた弱教師付きテキスト分類
• Authors: Yu Zhang, Shweta Garg, Yu Meng, Xiusi Chen, Jiawei Han
• Abstract要約: そこで本研究では,テキスト文書をカテゴリ表面名のみを持つ事前定義されたカテゴリの集合に分類することを目的とした,弱教師付きテキスト分類の問題について検討する。 具体的には、異種情報ネットワークを介して文書とメタデータの関係をモデル化する。 そこで我々は,カテゴリ名と指示モチーフインスタンスに基づいて,カテゴリ適応モチーフインスタンスを選択し,擬似ラベル付きトレーニングサンプルを検索し,生成する,MotifClassという新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 47.44278057062421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of weakly supervised text classification, which aims to classify text documents into a set of pre-defined categories with category surface names only and without any annotated training document provided. Most existing approaches leverage textual information in each document. However, in many domains, documents are accompanied by various types of metadata (e.g., authors, venue, and year of a research paper). These metadata and their combinations may serve as strong category indicators in addition to textual contents. In this paper, we explore the potential of using metadata to help weakly supervised text classification. To be specific, we model the relationships between documents and metadata via a heterogeneous information network. To effectively capture higher-order structures in the network, we use motifs to describe metadata combinations. We propose a novel framework, named MotifClass, which (1) selects category-indicative motif instances, (2) retrieves and generates pseudo-labeled training samples based on category names and indicative motif instances, and (3) trains a text classifier using the pseudo training data. Extensive experiments on real-world datasets demonstrate the superior performance of MotifClass to existing weakly supervised text classification approaches. Further analysis shows the benefit of considering higher-order metadata information in our framework.
• Abstract（参考訳）: 本研究は,テキスト文書をカテゴリ表名のみの既定分類群に分類し,注釈付き学習文書を使わずに分類することを目的とした,弱い教師付きテキスト分類の課題について検討する。 既存のアプローチのほとんどは、各文書のテキスト情報を活用する。 しかし、多くのドメインでは、文書には様々な種類のメタデータ(著者、会場、研究論文の年など)が付属している。 これらのメタデータとその組み合わせは、テキストの内容に加えて、強力なカテゴリインジケータとして機能する。 本稿では,メタデータを弱教師付きテキスト分類に活用する可能性について検討する。 具体的には,異種情報ネットワークを用いて文書とメタデータの関係をモデル化する。 ネットワーク内の高次構造を効果的に捉えるために,メタデータの組み合わせを記述するモチーフを用いる。 本稿では,(1)カテゴリー適応型モチーフインスタンスを選択し,(2)カテゴリ名と指示型モチーフインスタンスに基づいて擬似ラベル付きトレーニングサンプルを取得し,(3)擬似トレーニングデータを用いてテキスト分類器を訓練する,MotifClassという新しいフレームワークを提案する。 実世界のデータセットに対する大規模な実験は、既存の弱教師付きテキスト分類アプローチよりもMotifClassの優れたパフォーマンスを示す。 さらなる分析は、我々のフレームワークで高階メタデータ情報を考える利点を示している。

関連論文リスト

• Many-Class Text Classification with Matching [65.74328417321738]
  textbfText textbfClassification をテキストとラベル間のtextbfMatching 問題として定式化し,TCM というシンプルなフレームワークを提案する。 従来のテキスト分類手法と比較して、TCMは分類ラベルのきめ細かい意味情報を活用している。
  論文  参考訳（メタデータ） (2022-05-23T15:51:19Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)
• MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
  MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。 親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。 大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-15T05:23:08Z)
• Hierarchical Metadata-Aware Document Categorization under Weak Supervision [32.80303008934164]
  タスクのための埋め込みベースの生成フレームワークであるHiMeCatを開発した。 本稿では,カテゴリ依存の同時モデリングが可能な新しい共同表現学習モジュールを提案する。 トレーニング文書を階層的に合成して,当初の小規模トレーニングセットを補完するデータ拡張モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-26T13:07:56Z)
• Text Classification Using Label Names Only: A Language Model Self-Training Approach [80.63885282358204]
  現在のテキスト分類法は、訓練データとして多くの人ラベルの文書を必要とするのが一般的である。 本モデルでは,トピック分類や感情分類を含む4つのベンチマークデータセットにおいて,約90%の精度が得られた。
  論文  参考訳（メタデータ） (2020-10-14T17:06:41Z)
• Minimally Supervised Categorization of Text with Metadata [40.13841133991089]
  メタデータでテキストを分類する最小限のフレームワークであるMetaCatを提案する。 我々は,単語,文書,ラベル,メタデータ間の関係を記述した生成プロセスを開発する。 同じ生成過程に基づいて,ラベル不足のボトルネックに対処するため,トレーニングサンプルを合成する。
  論文  参考訳（メタデータ） (2020-05-01T21:42:32Z)
• Description Based Text Classification with Reinforcement Learning [34.18824470728299]
  本稿では,各カテゴリのラベルをカテゴリ記述に関連付ける,テキスト分類のための新しいフレームワークを提案する。 我々は、幅広いテキスト分類タスクにおいて、強いベースラインよりも顕著なパフォーマンス向上を観察する。
  論文  参考訳（メタデータ） (2020-02-08T02:14:28Z)

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。