Text Classification Method Based on Gating Mechanism and Graph Convolutional Networks
Notice bibliographique
Résumé
Graph convolutional networks (GCN), in contrast to traditional neural networks, demonstrate advantages in handling non-Euclidean text classification problems by accommodating nodes and graphs with arbitrary topological structures. However, existing text classification models based on GCN often aggregate neighboring node information with equal or preset edge weights, neglecting effective consideration of local interactions between words. This limitation leads to insufficient expression of semantic information for nodes. Therefore, this paper proposes a text classification method based on the gating mechanism and graph convolutional networks. In this approach, termed graph convolutional networks based on the gating mechanism (GM-GCN), the gating mechanism is integrated with the two layers of GCN in TextGCN. GM-GCN utilizes a select matrix with gating functionality to control information transmission, allowing for the selective fusion of neighborhood information at multiple orders for nodes in the graph. This approach preserves prior orders' information, enabling a more effective focus on local interactions between words. Consequently, it enriches nodes' feature representation in capturing textual semantics. The experimental results demonstrate significant improvements in accuracy, precision, recall, GPU memory consumption, and runtime when compared with other classical and latest text classification models across four benchmark datasets: 20NG, R8, R52, and Ohsumed. For accuracy, this proposed method achieved notable enhancements of 0.34%, 0.27%, 0.32%, and 0.25%, respectively. Regarding precision, improvements were observed at 0.33%, 0.25%, 0.29%, and 0.24%, while recall showed enhancements of 0.28%, 0.31%, 0.26%, and 0.22%, respectively. In GPU memory consumption, the method demonstrated reductions of 137MB, 73MB, 86MB, and 88MB in space, and in terms of runtime, it exhibited decreases of 26s, 9s, 13s, and 16s, respectively. As a result of these findings, the proposed approach was found to be effective in improving text classification performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».