[发明专利]一种基于多通道图卷积的文本分类方法

权利要求书

1.一种基于多通道图卷积的文本分类方法，其特征在于，包括以下步骤：

S1：从单词相似性和相关性角度构造文本之间的关系图；

S2：利用S1得到的多个关系图进行多通道图卷积；

S3：在S1的多通道图卷积过程中让同一节点在不同通道间交流信息，并用门机制控制节点信息在交流时通过量。

2.根据权利要求1所述的基于多通道图卷积的文本分类方法，其特征在于，所述步骤S1的具体过程是：

将全部文本中出现的单词汇集成一个词典，然后构建由单词和文本节点组成的无向异构图，图中每个文本是一个节点，每个单词也是一个节点，对文本数据建立两个异构图，文本与其中出现的单词建立连边，边权值为文本与单词间的TF-IDF值；单词间分别根据相关性和相似性建立连边，相关性通过单词间的点互信息PMI值定义，相似性通过单词间的GloVe向量的余弦相似度定义，当单词间的值大于一阈值时建立连边，如公式(1)：

其中R(i,j)对于图G1和G2分别是PMI(i,j)和cos(i,j)。

3.根据权利要求2所述的根据权利要求1所述的基于多通道图卷积的文本分类方法，其特征在于，PMI用于评价单词间的相关性，其计算方式为：

PMI基于滑动窗口进行统计，其中W(i)是含有单词i的滑动窗口，W(i,j)指同时含有单词i，j的滑动窗口，W则是全部滑动窗口数量。

4.根据权利要求3所述的根据权利要求1所述的基于多通道图卷积的文本分类方法，其特征在于，所述步骤S2中：

将各节点的特征向量分别设置为one-hot向量，将步骤S1中构造的两个图作为不同的卷积通道，将节点特征输入到这两个通道中分别分布应用GCN进行图卷积提取特征，所使用的两层GCN模型的表达式如公式(2)：

其中表示标准化后的邻接矩阵，X各节点特征向量表示输入，W₀、W₁表示线性变换矩阵。

5.根据权利要求4所述的根据权利要求1所述的基于多通道图卷积的文本分类方法，其特征在于，所述步骤S2中：

对两个通道的输出结果进行融合如公式(3)：

Z＝softmax(max_pooling(GCN(X,G₁),GCN(X,G₂))) (3)

其中G₁、G₂是步骤S1构建的两个图，用于建立GCN的邻接矩阵将两路输出进行最大值池化，并进行softmax操作得到最终的分类结果，各通道的GCN不共享参数。

6.根据权利要求5所述的根据权利要求1所述的基于多通道图卷积的文本分类方法，其特征在于，所述步骤S3的具体过程是：

在两个图卷积的通道之间，加入信息交流，并用门机制控制信息的流通，同一节点在不同通道内交换信息，具体如公式(4)：

其中表示第p层第i通道的节点特征向量，节点接收其他通道同节点的特征向量信息，gate是门机制，其实现相当于一个单层的全连接神经网络，用于控制特征向量各个维度接收信息的多少，gate的公式如(5)：

其中W_ij是i，j通道之间的线性变换矩阵，B_ij是偏移矩阵。