重新审视基于图嵌入的半监督学习

我们提出了一种基于图嵌入的半监督学习框架。给定实例之间的图结构，我们为每个实例训练一个嵌入向量，以联合预测类标签和图中的邻域上下文。我们开发了该方法的传递式和归纳式两种变体。在传递式变体中，类标签由学习到的嵌入向量和输入特征向量共同决定；而在归纳式变体中，嵌入向量被定义为特征向量的参数函数，因此可以在未见过的实例上进行预测。在包括文本分类、远监督实体抽取和实体分类在内的大量多样化的基准任务上，我们的方法展示了比许多现有模型更好的性能。