- Heterogeneous Graph Neural Networks for Extractive Document Summarization
- Semantic Graphs for Generating Deep Questions
- Relational Graph Attention Network for Aspect-based Sentiment Analysis
- GCAN：用于社交媒体上假新闻检测并具有可解释性的图感知共注意力网络GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media
- Distinguish Confusing Law Articles for Legal Judgment Prediction
1.用于提取文档摘要的异构图神经网络题目：Heterogeneous Graph Neural Networks for Extractive Document Summarization
作者：复旦大学Danqing Wang等
链接：https:///pdf/2004.12393.pdfhttps://github.com/brxx122/HeterSUMGraph主要内容：学习跨句关系是文档摘要提取的关键步骤，目前已有多种研究方法。一种直观的方法是将它们放入基于图的神经网络中，这种神经网络具有更复杂的结构来捕获句子之间的关系。本文提出了一种基于异构图的提取摘要神经网络，该网络包含除句子外的不同粒度的语义节点。这些额外的节点充当句子之间的中介，丰富了跨句关系。此外，通过引入文档节点，该图结构在从单文档设置到多文档设置的自然扩展方面具有灵活性。作者称，他们是第一个将不同类型的节点引入到基于图的神经网络中进行提取文档摘要，并对其进行全面的定性分析来研究其好处的。
2.用于生成深层问题的语义图
题目：Semantic Graphs for Generating Deep Questions
作者：NUS Liangming Pan等
链接：https:///abs/2004.12704
代码：https://github.com/YuxiXie/SG-Deep-Question-Generation主要内容：本文提出了“深层问题生成”（DQG）问题，该问题旨在生成需要对输入段落的多条信息进行推理的复杂问题。为了捕获文档的全局结构并促进推理，作者提出了一个框架，该框架首先为输入文档构造语义级别的图，然后通过引入基于注意力的GGNN（Att-GGNN）对语义图进行编码。然后，融合文档级和图级表示，以进行内容选择和问题解码的联合训练。在以HotpotQA深度问题为中心的数据集上，该模型极大地提高了需要对多个事实进行推理的问题的性能，从而实现了最先进的性能。  3.用于情感分析的关系图注意力网络题目：Relational Graph Attention Network for Aspect-based Sentiment Analysis
作者：中山大学Kai Wang等
链接：https:///abs/2004.12362主要内容：情感分析旨在确定评论中特定方面的情感极性。最近的工作采用基于注意力的神经网络模型来隐含地将方面与见解词联系起来。但是，由于语言的复杂性以及单个句子中存在多个方面，这些模型经常使连接混乱。在本文中，作者通过对语法信息进行有效编码来解决此问题。首先，通过重塑和修剪普通的依赖关系分析树，定义了一个基于目标方面的，面向方面的统一依赖关系树结构。然后，提出了一个关系图注意力网络（R-GAT）来编码用于情感预测的新树结构。在SemEval 2014和Twitter数据集上进行了广泛的实验，实验结果证实，使用该方法可以更好地建立方面和见解词之间的联系，从而显着提高图注意力网络（GAT）的性能.4.GCAN：用于社交媒体上假新闻检测并具有可解释性的图感知共注意力网络题目：GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media
题目：GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media
作者：National Cheng Kung University Yi-Ju Lu等
链接：https:///pdf/2004.11648.pdf
代码：https://github.com/l852888/GCAN
|
