基於圖的文本挖掘與分析

胡琳梅 李劼 張光衛 宋丹丹

相關主題

商品描述

本書深入探討了圖方法在文本挖掘領域的應用,強調了圖模型在處理文本數據時對上下文和長距離語義依賴關系的捕捉能力。全書內容分為3部分,共8章,系統地介紹了基於圖的文本挖掘技術,並通過多個自然語言處理任務(如短文本分類、虛假新聞檢測、知識圖譜表示學習等)展示了圖方法的有效性。作者結合豐富的科研和項目經驗,提出了創新的圖模型和算法,旨在解決數據稀疏和覆雜語義建模問題,為計算機專業學生和NLP領域研究人員提供了寶貴的參考和新視角。

目錄大綱

第1章 概述
1.1 傳統文本數據特征提取方法
1.1.1 文本預處理
1.1.2 詞袋模型
1.1.3 N - gram模型
1.1.4 TF - IDF模型
1.2 基於深度學習的文本數據特征提取方法
1.2.1 Word2Vec
1.2.2 GloVe
1.3 循環神經網絡
1.4 卷積神經網絡
1.5 基於圖的文本建模
1.5.1 圖
1.5.2 圖神經網絡
1.5.3 用於自然語言處理的圖構建方法
1.5.4 用於NLP的圖表示學習
1.5.5 基於GNN的編碼器 - 解碼器模型
1.6 小結
第2章 基於異質圖的短文本分類
2.1 HGAT:基於異質圖註意力網絡的半監督短文本分類
2.1.1 引言
2.1.2 相關工作
2.1.3 HGAT模型
2.1.4 實驗與分析
2.2 HGAT的改進
2.2.1 HGAT的改進模型
2.2.2 實驗與分析
2.3 本章小結
第3章 基於圖的虛假新聞檢測
3.1 引言
3.2 相關工作
3.2.1 基於人工特征工程的模型
3.2.2 面向序列的深度學習模型
3.2.3 面向圖的深度學習模型
3.2.4 融合外部知識的深度學習模型
3.3 算法模型
3.3.1 基於LDA的主題挖掘
3.3.2 有向異構圖建模
3.3.3 異構圖卷積網絡
3.3.4 基於知識庫的實體表示
3.3.5 實體對比
3.3.6 模型訓練
3.4 實驗及分析
3.4.1 實驗設置
3.4.2 實驗結果
3.4.3 消融實驗
3.4.4 關於主題指定數目P的研究
3.4.5 案例分析
3.5 本章總結
第4章 基於圖的知識圖譜表示學習
4.1 引言
4.2 相關工作
4.2.1 KG表示學習
4.2.2 圖神經網絡
4.3 算法模型
4.3.1 三重嵌入
4.3.2 輔助文本編碼
4.3.3 KG表示融合
4.3.4 端到端模型培訓
4.4 實驗及分析
4.4.1 實驗設置
4.4.2 鏈路預測
4.4.3 三元組分類
4.5 本章總結
第5章 基於圖的實體識別
5.1 引言
5.2 研究背景
5.2.1 命名實體消歧
5.2.2 預訓練實體嵌入
5.2.3 局部與全局模型
5.3 算法模型
5.3.1 構建實體 - 詞圖
5.3.2 應用在實體 - 詞圖上的GCN
5.3.3 CRF用於實體消歧
5.3.4 模型訓練
5.4 實驗及分析
5.4.1 數據集
5.4.2 基準模型
5.4.3 參數設置
5.4.4 總體結果
5.4.5 案例研究
5.4.6 錯誤分析
5.4.7 參數分析
5.4.8 計算效率
5.5 本章總結
第6章 基於圖的新聞推薦
6.1 基於長期和短期興趣建模的圖神經新聞推薦系統
6.1.1 引言
6.1.2 相關工作
6.1.3 算法模型
6.1.4 GNewsRec模型
6.1.5 實驗及分析
6.2 無監督偏好解耦的圖神經新聞推薦系統
6.2.1 引言
6.2.2 相關工作
6.2.3 算法模型
6.2.4 實驗及分析
6.3 本章總結
第7章 基於圖的人格檢測
7.1 引言
7.2 相關工作
7.3 算法模型
7.3.1 對比的帖子圖編碼器
7.3.2 特質序列解碼器
7.3.3 模型訓練
7.4 實驗及分析
7.4.1 數據集
7.4.2 基線模型
7.4.3 實現細節
7.4.4 總體結果
7.4.5 消融研究
7.4.6 訓練樣本數量的影響
7.4.7 權衡參數的影響
7.4.8 訓練效率
7.5 本章總結
第8章 總結
參考文獻

最後瀏覽商品 (17)