Graph Neural Networks for Natural Language Processing: A Survey
Deep Learning hat sich zum vorherrschenden Ansatz bei der Bewältigung verschiedener Aufgaben in der natürlichen Sprachverarbeitung (NLP) entwickelt. Obwohl Texteingaben in der Regel als eine Folge von Token dargestellt werden, gibt es eine Vielzahl von NLP-Problemen, die sich am besten mit einer Graphenstruktur ausdrücken lassen. Infolgedessen besteht ein starkes Interesse an der Entwicklung neuer Deep-Learning-Techniken auf Graphen für eine große Anzahl von NLP-Aufgaben.
In dieser Monographie präsentieren die Autoren einen umfassenden Überblick über Graph Neural Networks (GNNs) für die Verarbeitung natürlicher Sprache. Sie schlagen eine neue Taxonomie von GNNs für NLP vor, die die bestehende Forschung zu GNNs für NLP entlang dreier Achsen systematisch organisiert: Graphenkonstruktion, Lernen von Graphenrepräsentationen und graphbasierte Encoder-Decoder-Modelle. Darüber hinaus wird eine große Anzahl von NLP-Anwendungen vorgestellt, die die Leistungsfähigkeit von GNNs ausnutzen, und es werden die entsprechenden Benchmark-Datensätze, Bewertungsmetriken und Open-Source-Codes zusammengefasst. Abschließend werden verschiedene noch ausstehende Herausforderungen für die vollständige Nutzung von GNNs für NLP sowie zukünftige Forschungsrichtungen diskutiert.
Dies ist der erste umfassende Überblick über Graph Neural Networks for Natural Language Processing. Es bietet Studenten und Forschern eine prägnante und leicht zugängliche Ressource, um sich schnell in einen wichtigen Bereich der Forschung zum maschinellen Lernen einzuarbeiten.
| ISBN: | 9781638281429 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
