融合BiLSTM的双图神经网络文本分类模型

来源：上海理工大学学报杂志2023年第2期北京时间：

作者：宋婷婷，吴赛君，裴颂文

单位：上海理工大学 光电信息与计算机工程学院, 上海 200093,上海理工大学 光电信息与计算机工程学院, 上海 200093,上海理工大学 光电信息与计算机工程学院, 上海 200093;中国科学院 计算技术研究所 计算机体系结构国家重点实验室, 北京 100190;软硬件协同设计技术与应用教育部工程研究中心(华东师范大学), 上海 200062

摘要：采用图神经网络模型为整个语料库构建异构图处理文本分类任务时，存在难以泛化到新样本和词序信息缺失的问题。针对上述问题，提出了一种融合双图特征和上下文语义信息的文本分类模型。首先，为每个文本独立构建共现图和句法依存图，从而实现对新样本的归纳式学习，从双图角度捕获文本特征，解决忽略单词间依存关系的问题；其次，利用双向长短期记忆网络（bi-directional long short-term memory，BiLSTM）编码文本，解决忽略词序特征和难以捕捉上下文语义信息的问题；最后，融合双图特征，增强图神经网络模型的分类性能。在MR，Ohsumed，R8，R52数据集上的实验结果表明，相较于经典的文本分类模型，该模型能够提取更丰富的文本特征，在准确率上平均提高了2.17%，5.38%，0.61%，2.48%。

关键词：文本分类;图神经网络;双向长短期记忆网络;句法依存图;共现图

基金资助：国家自然科学基金资助项目（61975124）；上海市自然科学基金资助项目（20ZR1438500）；计算机体系结构国家重点实验室开放课题（CARCHA202111）；软硬件协同设计技术与应用教育部工程研究中心开放课题（OP202202）