초록
우리는 그래프 임베딩을 기반으로 한 준지도 학습 프레임워크를 제시합니다. 인스턴스 간의 그래프가 주어지면, 각 인스턴스에 대한 임베딩을 훈련하여 클래스 레이블과 그래프에서의 이웃 컨텍스트를 동시에 예측하도록 합니다. 우리는 우리의 방법의 전도적(transductive) 변형과 귀납적(inductive) 변형을 모두 개발하였습니다. 전도적 변형에서는 학습된 임베딩과 입력 특성 벡터 모두가 클래스 레이블을 결정하는 반면, 귀납적 변형에서는 임베딩이 특성 벡터의 매개변수 함수로 정의되어 훈련 과정에서 보지 못한 인스턴스에 대한 예측도 가능하게 됩니다. 텍스트 분류, 원격 감독 엔티티 추출, 엔티티 분류 등을 포함하는 대규모이고 다양한 벤치마크 작업 집합에서, 우리는 기존 모델들보다 성능이 향상됨을 보여주었습니다.