publish: Transactions of the Association for Computational Linguistics,2016
tasks:  predicting popularity of comments in Reddit discussions
contributions: 
     1\ graph-structured bidirectional LSTM (long-short term memory) which represents both hierarchical and temporal conversation structure.
     可以捕获层次和时间上的对话结构表示, 图结构的双向LSTM
the LSTM units include both hierachical and temporal components to the update, which distinguishes this work from prior tree-structured LSTM models.
 
     2\ the proposed model outperforms a node-independent architecture for different sets of input features. Analyses show a benefit to the model over the full course of the discussion, improving detection in both early and late stages.
     比结点独立表示架构优越,能够建模整个讨论,提高对于初始早期和晚期的阶段探测?。
  bidirectional tree state updates
   双向树状态更新
 

Methods:

1)建模图结构:

When the comment-response links are preserved, those conversations can be represented in a tree structure where comments represent nodes, the root is theoriginal post, and each new reply to a previous comment  is added as a child of that comment.

当保留了评论-响应链接时,这些对话可以用树结构表示,其中评论表示节点,根是原始的帖子,对前一个评论的每个新回复都被添加为该评论的子条目。

当贡献文件的时间戳可用时,可以用该信息对树的节点进行排序和注释。

树形结构有助于观察讨论如何展开成不同的子主题,并显示讨论的不同分支活动水平的差异。

但是尝试使用树结构来捕获信息流,以便更好地为提交评论的上下文建模,包括它所响应的历史以及随后对该评论的响应。

假设有一个树形结构的响应网络,并考虑了评论的相对顺序。
会话中的每个评论都对应于树中的一个节点,它的父节点是它要响应的评论,其子节点是它按时间顺序激发的响应评论
之前的研究发现,反应结构和时间对预测受欢迎程度都很重要 , LSTM单元包含了更新的层次和时间成分,这使得本工作有别于之前的树结构LSTM模型。我们的模型利用完整的讨论线程来预测流行度.

By introducing a forward-backward treestructured model, we provide a mechanism for leveraging early responses in predicting popularity, as well as a framework for better understanding the relative importance of these responses.

通过引入一个前后树结构模型,我们提供了一个机制来利用早期响应来预测受欢迎程度,以及一个框架来更好地理解这些响应的相对重要性。
 
2) proposed model
The proposed model is a bidirectional graph LSTM that characterizes a full threaded discussion, assuming a tree-structured response network and accounting for the relative order of the comments.
提出的模型是一个描述全线程讨论的双向图LSTM,假设响应网络是树形结构,并考虑了评论的相对顺序。
Each node in the tree is represented with a single recurrent neural network (RNN) unit that outputs a vector (embedding) that characterizes the interim state of the discussion, analogous to the vector output of an RNN unit which characterizes the word history in a sentence.
树中的每个节点都用一个递归神经网络(RNN)单元来表示,该单元输出表征讨论过渡状态的向量(嵌入),类似于RNN单元输出表征句子中单词历史的向量。
 
The RNN updates – both forward and backward – incorporate both temporal and hierarchical (tree-structured) dependencies, since commenters typically consider what has already been said in response to a parent comment. Hence, we refer to it as a graph-structured RNN rather than a tree-structured RNN.
RNN的更新——向前的和向后的——结合了时态和层次结构(树形结构)依赖,因为评论者通常会考虑对父评论的响应中已经说过的内容。因此,我们将其称为图结构的RNN,而不是树结构的RNN。
 
In the forward direction, the state vector can be thought of as a summary of the discussion pursued in a particular branch of the tree, while in the backward direction
the state vector summarizes the full response subtree that followed a particular comment.
在正向方向上,状态向量可以被认为是树的某个特定分支中所进行的讨论的总结,而在反向方向上,状态向量总结了某个特定评论之后的完整响应子树。
 
The state vectors for the forward and backward directions are concatenated for the purpose of predicting comment karma.
向前和向后方向的状态向量被连接起来,以预测评论因果报应。
 
We anticipate that the forward state will capture relevance and informativeness of the comment, and the backward process will capture sentiment and richness of the ensuing
discussion.
我们预期,正向状态将捕获评论的相关性和信息,而逆向过程将捕获后续讨论的情感和丰富内容。
 
input gate, temporal forget gate, hierarchichal forget gate, cell, and output,

当整个树结构已知时,我们可以利用全响应子树更好地表示节点状态。

 
 
 

Conversation Modeling on Reddit Using a Graph-Structured LSTM的更多相关文章

  1. zz【清华NLP】图神经网络GNN论文分门别类,16大应用200+篇论文最新推荐

    [清华NLP]图神经网络GNN论文分门别类,16大应用200+篇论文最新推荐 图神经网络研究成为当前深度学习领域的热点.最近,清华大学NLP课题组Jie Zhou, Ganqu Cui, Zhengy ...

  2. 谣言检测(ClaHi-GAT)《Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks》

    论文信息 论文标题:Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks论文作者:Erx ...

  3. 论文笔记之:Semi-supervised Classification with Graph Convolutional Networks

    Semi-supervised Classification with Graph Convolutional Networks 2018-01-16  22:33:36 1. 文章主要思想: 2. ...

  4. Graph Embedding Review:Graph Neural Network(GNN)综述

    作者简介: 吴天龙  香侬科技researcher 公众号(suanfarensheng) 导言 图(graph)是一个非常常用的数据结构,现实世界中很多很多任务可以描述为图问题,比如社交网络,蛋白体 ...

  5. MIT Graph实践概述

    MIT Graph实践概述 Features功能 •   iCloud Support •   Multi Local & Cloud Graphs •   Thread Safe •   S ...

  6. 论文阅读 Dynamic Graph Representation Learning Via Self-Attention Networks

    4 Dynamic Graph Representation Learning Via Self-Attention Networks link:https://arxiv.org/abs/1812. ...

  7. 论文解读(SimGRACE)《SimGRACE: A Simple Framework for Graph Contrastive Learning without Data Augmentation》

    论文信息 论文标题:SimGRACE: A Simple Framework for Graph Contrastive Learning without Data Augmentation论文作者: ...

  8. 《Learning Structured Representation for Text Classification via Reinforcement Learning》论文翻译.md

    摘要 表征学习是自然语言处理中的一个基本问题.本文研究了如何学习文本分类的结构化表示.与大多数既不使用结构又依赖于预先指定结构的现有表示模型不同,我们提出了一种强化学习(RL)方法,通过自动覆盖优化结 ...

  9. {ICIP2014}{收录论文列表}

    This article come from HEREARS-L1: Learning Tuesday 10:30–12:30; Oral Session; Room: Leonard de Vinc ...

随机推荐

  1. Python学习笔记: 通过type annotation来伪指定变量类型

    简介 通过annotation像强类型language那样指定变量类型,包括参数和返回值的类型 因为Python是弱类型语言,这种指定实际上无效的.所以这种写法叫annotation,就是个注释参考的 ...

  2. 《Mybatis 手撸专栏》第6章:数据源池化技术实现

    作者:小傅哥 博客:https://bugstack.cn - 手写Mybatis系列文章 沉淀.分享.成长,让自己和他人都能有所收获! 一.前言 码农,只会做不会说? 你有发现吗,其实很大一部分码农 ...

  3. nginx反向代理隐藏端口号和项目名

    可利用nginx反向代理隐藏端口号和项目名,直接输入ip即可访问对应的tomcat项目,配置nginx安装目录的nginx/conf/nginx.conf文件,修改如下:(开了两个web项目:项目名为 ...

  4. Mybatis Plus之内置Mapper实践

    MyBatis Plus,作为对MyBatis的进一步增强,大大简化了我们的开发流程,提高了开发速度 配置 由于Mybatis Plus是建立在Mybatis之上的,所以其已经依赖了Mybatis,故 ...

  5. CentOS 8配置本地yum源及DNF简介

    CentOS 8更改了软件包的安装程序,取消了 yum 的配置方法,改而使用了dnf 作为安装程序.虽然改变了软件包的安装方式,但是 dnf 还是能兼容使用 yum 的配置文件和命令的使用方法. 小提 ...

  6. 如何查看Linux进程详情?(ps命令)

    点击关注上方"开源Linux", 后台回复"读书",有我为您特别筛选书籍资料~ 1. ps是什么? 要对进程进行监测和控制,首先必须要了解当前进程的情况,也就是 ...

  7. 实用git指令

    实用git指令 clone 操作目的 简要操作说明 详细操作说明 init & add & commit & push 操作目的 简要操作说明 详细操作说明 pull & ...

  8. WPF全局异常处理

    private void RegisterEvents() { //Task线程内未捕获异常处理事件 TaskScheduler.UnobservedTaskException += TaskSche ...

  9. Kubernetes API 基础

    APIServer 在kubernetes架构概念层面上,Kubernetes由一些具有不同角色的服务节点组成.而master的控制平面由 Apiserver Controller-manager 和 ...

  10. 用c语言调用Easy X实现图像的输出,附带音乐的读取

    要实现此功能需要用EasyX 一.下载VS编译环境和EasyX. ①Vs2019https://iwx.mail.qq.com/ftn/download?func=3&key=9e9b6c33 ...