💡
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
该论文提出了一种新型神经网络HiTIN，用于层次文本分类。主要创新点是将类别层级树结构转换成新的树结构coding tree。通过GNN在coding tree上递归地获得节点的embedding，最后做pooling并经过线性层得到最终logits。结果表明，相比其他网络，本网络参数少且效果好。此外，论文提出了递归正则化等通用技巧。
🎯
关键要点
- 该论文提出了一种新型神经网络HiTIN，用于层次文本分类。
- 主要创新点是将类别层级树结构转换成新的树结构coding tree。
- 通过GNN在coding tree上递归地获得节点的embedding，最后做pooling并经过线性层得到最终logits。
- 结果表明，相比其他网络，本网络参数少且效果好。
- 论文提出了递归正则化等通用技巧。
- Coding tree的目标是使得在给定的深度下，structural entropy最小。
- 作者设计了启发式算法CodIng tRee Construction Algorithm (CIRCA)来转换原始树。
- 在层级分类中，亲子关系的类别应该更容易一起分类。
➡️
