그림 1: (a) 텍스트 그래프 (b) 그래프 신경망 (c) 언어 모델
그래프는 노드 간의 구조적 관계를 모델링하는 보편적인 데이터 구조입니다. 실제 생활에서는 많은 노드에 서식 있는 텍스트 기능이 포함되어 있으며 이 그래프를 텍스트 속성 그래프라고 합니다[2]. 예를 들어, 논문 인용 네트워크에는 논문의 텍스트와 논문 간의 인용 관계가 포함되어 있으며, 소셜 네트워크에는 사용자의 텍스트 설명과 사용자의 직접적인 상호 작용 관계가 포함되어 있습니다. 텍스트 그래프의 표현 학습 모델은 노드 분류, 링크 예측 등의 작업에 적용할 수 있으며 활용 가치가 넓습니다.
텍스트 그래프에는 노드의 텍스트 정보와 노드 간의 그래프 구조 정보라는 두 가지 정보 측면이 포함됩니다. 전통적인 텍스트 그래프의 모델링은 텍스트 모델링과 그래프 모델링이라는 두 가지 관점으로 나눌 수 있습니다. 그 중 텍스트 모델링 방법(그림 1.b 참조)은 일반적으로 Transformer 기반 언어 모델(LM)을 사용하여 단일 노드의 텍스트 표현을 얻고 대상 작업을 예측하는 그래프 모델링 방법입니다. 그림 1.c)에서 그래프 신경망(GNN)은 일반적으로 노드 기능 간의 상호 작용을 모델링하고 메시지 전파 메커니즘을 통해 대상 작업을 예측하는 데 사용됩니다.
그러나 두 모델은 각각 텍스트 그래프의 텍스트 및 그래프 구조만 모델링할 수 있습니다. 기존 언어 모델은 구조 정보를 직접 고려할 수 없으며 그래프 신경망은 원본 텍스트 정보를 직접 모델링할 수 없습니다. 텍스트와 그래프 구조를 동시에 모델링하기 위해 연구자들은 언어 모델과 그래프 신경망을 통합하고 두 모델의 매개변수를 동시에 업데이트하려고 합니다. 그러나 기존 연구[2, 3]는 동시에 많은 수의 이웃 텍스트를 모델링할 수 없고 확장성이 좋지 않으며 큰 텍스트 그래프에 적용할 수 없습니다.
그래프 신경망과 언어 모델을 보다 효과적으로 통합하기 위해 이 기사에서는 Expectation Maximization(GLEM) 프레임워크를 통해 Graph 및 Language 학습을 제안합니다. . GLEM 프레임워크는 Variational Expect maximum 알고리즘(Variational EM)을 기반으로 그래프 신경망과 언어 모델을 교대로 학습하므로 좋은 확장성을 달성합니다.
그림 2: GLEM 프레임워크
구체적으로 노드 분류 작업을 예로 들면 E 단계에서 GLEM은 실제 레이블과 의사 레이블을 기반으로 학습됩니다. 그래프 신경망 언어 모델 ; M 단계 에서 GLEM은 언어 모델에서 예측한 실제 레이블과 의사 레이블 을 기반으로 그래프 신경망 을 훈련합니다. 이러한 방식으로 GLEM 프레임워크는 로컬 텍스트 정보와 전역 구조 상호 작용 정보를 효과적으로 마이닝합니다. GLEM 프레임워크를 통해 훈련된 그래프 신경망(GLEM-GNN)과 언어 모델(GLEM-LM)을 모두 사용하여 노드 레이블을 예측할 수 있습니다.
실험
논문의 실험 부분에서는 주로 다음 측면에서 GLEM 프레임워크를 논의합니다.
그림 3: GLEM 프레임워크가 OGBN-arxiv, products, papers100M 데이터 세트에서 1위를 차지함
위 내용은 새로운 SOTA를 달성하기 위해 언어 모델, 그래프 신경망 및 텍스트 그래프 교육 프레임워크 GLEM을 효과적으로 통합합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!