Modelo Text GCN para la clasificación de texto

Authors

  • Moisés García Villanueva
  • Salvador Ramírez Zavala

DOI:

https://doi.org/10.46932/sfjdv5n5-005

Keywords:

Redes Neuronales de Grafos, Clasificación de Texto, Procesamiento de Lenguaje Natural, GCN

Abstract

El problema de clasificación de texto es una actividad fundamental en el área de Procesamiento de Lenguaje Natural (PLN). Recientemente las redes neuronales de grafos (GNN) han mostrado ser de las mejores técnicas en diferentes conjuntos de datos representativos en este problema de clasificación. Las redes convolucionales de grafos son aplicados para decodificar estructuras sintácticas en los documentos o frases y entonces son aplicados a la clasificación de texto considerando la construcción del grafo mediante dos enfoques: a) un grafo por cada documento o frase; y b) un grafo completo del conjunto de datos. En las investigaciones reportadas los mejores resultados se obtienen empleando el enfoque de grafo completo de conjuntos de datos en inglés. En este trabajo se presentan los resultados preliminares de emplear está nueva técnica de clasificación de documentos en un conjunto de datos en español, lo que permitirá contar además del modelo de red neuronal de grafo para el conjunto, con una representación vectorial de palabras.

References

Defferrard, M., Bresson, X. & Vandergheynst, P. (2016). Convolutional neural networks on graphs with fast localized spectral filtering. Advances in neural information processing systems, 29.

Gómez-Adorno, H., Posadas-Durán, J. P., Enguix, G. B. & Capetillo, C. P. (2021). Overview of FakeDeS at IberLEF 2021: Fake News Detection in Spanish Shared Task. Procesamiento del Lenguaje Natural, 67, 223-231.

Kim, Y. 2014. Convolutional neural networks for sentence classification. EMNLP, 1746–1751.

Kipf, T. N. & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609.02907.

Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. 2013. Distributed representations of words and phrases and their compositionality. NIPS, 3111–3119.

Peng, Y., Wu, W., Ren, J. & Yu, X. (2024). Novel GCN Model Using Dense Connection and Attention Mechanism for Text Classification. Neural Processing Letters, 56(2), 1-17.

Pennington, J., Socher, R. & Manning, C. (2014). Glove: Global vectors for word representation. EMNLP, 1532– 1543.

Tang, J., Qu, M & Mei, Q. (2015). Pte: Predictive text embedding through large-scale heterogeneous text networks. KDD, 1165–1174. ACM.

Wang, Y., Huang, M., Zhao, L. et al. (2016). Attention-based lstm for aspect-level sentiment classification. EMNLP, 606–615.

Yao, L., Mao, C., & Luo, Y. (2019, July). Graph convolutional networks for text classification. In Proceedings of the AAAI conference on artificial intelligence (Vol. 33, No. 01, pp. 7370-7377).

Published

2024-05-03

How to Cite

Villanueva, M. G., & Zavala, S. R. (2024). Modelo Text GCN para la clasificación de texto. South Florida Journal of Development, 5(5), e3878. https://doi.org/10.46932/sfjdv5n5-005