目录介绍
第1章概述
1.1传统文本数据特征提取方法
1.1.1文本预处理
1.1.2词袋模型
1.1.3Ngram模型
1.1.4TFIDF模型
1.2基于深度学习的文本数据特征提取方法
1.2.1Word2Vec
1.2.2GloVe
1.3循环神经网络
1.4卷积神经网络
1.5基于图的文本建模
1.5.1图
1.5.2图神经网络
1.5.3用于自然语言处理的图构建方法
1.5.4用于NLP的图表示学习
1.5.5基于GNN的编码器解码器模型
1.6小结
第2章基于异质图的短文本分类
2.1HGAT:基于异质图注意力网络的半监督短文本分类
2.1.1引言
2.1.2相关工作
2.1.3HGAT模型
2.1.4实验与分析
2.2HGAT的改进
2.2.1HGAT的改进模型
2.2.2实验与分析
2.3本章小结
第3章基于图的虚假新闻检测
3.1引言
3.2相关工作
3.2.1基于人工特征工程的模型
3.2.2面向序列的深度学习模型
3.2.3面向图的深度学习模型
3.2.4融合外部知识的深度学习模型
3.3算法模型
3.3.1基于LDA的主题挖掘
3.3.2有向异构图建模
3.3.3异构图卷积网络
3.3.4基于知识库的实体表示
3.3.5实体对比
3.3.6模型训练
3.4实验及分析
3.4.1实验设置
3.4.2实验结果
3.4.3消融实验
3.4.4关于主题指定数目P的研究
3.4.5案例分析
3.5本章总结
第4章基于图的知识图谱表示学习
4.1引言
4.2相关工作
4.2.1KG表示学习
4.2.2图神经网络
4.3算法模型
4.3.1三重嵌入
4.3.2辅助文本编码
4.3.3KG表示融合
4.3.4端到端模型培训
4.4实验及分析
4.4.1实验设置
4.4.2链路预测
4.4.3三元组分类
4.5本章总结
第5章基于图的实体识别
5.1引言
5.2研究背景
5.2.1命名实体消歧
5.2.2预训练实体嵌入
5.2.3局部与全局模型
5.3算法模型
5.3.1构建实体词图
5.3.2应用在实体词图上的GCN
5.3.3CRF用于实体消歧
5.3.4模型训练
5.4实验及分析
5.4.1数据集
5.4.2基准模型
5.4.3参数设置
5.4.4总体结果
5.4.5案例研究
5.4.6错误分析
5.4.7参数分析
5.4.8计算效率
5.5本章总结
第6章基于图的新闻推荐
6.1基于长期和短期兴趣建模的图神经新闻推荐系统
6.1.1引言
6.1.2相关工作
6.1.3算法模型
6.1.4GNewsRec模型
6.1.5实验及分析
6.2无监督偏好解耦的图神经新闻推荐系统
6.2.1引言
6.2.2相关工作
6.2.3算法模型
6.2.4实验及分析
6.3本章总结
第7章基于图的人格检测
7.1引言
7.2相关工作
7.3算法模型
7.3.1对比的帖子图编码器
7.3.2特质序列解码器
7.3.3模型训练
7.4实验及分析
7.4.1数据集
7.4.2基线模型
7.4.3实现细节
7.4.4总体结果
7.4.5消融研究
7.4.6训练样本数量的影响
7.4.7权衡参数的影响
7.4.8训练效率
7.5本章总结
第8章总结参考文献