エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
Graph Convolutionで自然言語処理を行う(テキスト分類編) Part5 (End)
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
Graph Convolutionで自然言語処理を行う(テキスト分類編) Part5 (End)
Part5ではテキスト分類にあったGraph Convolutionの使い方を検証します。というのも、Part4の実験におい... Part5ではテキスト分類にあったGraph Convolutionの使い方を検証します。というのも、Part4の実験においてGraph Convolution単体の精度がランダムに選ぶのと大差なかったためです(精度はF1スコアのことで、以下も同様です)。もちろん、先行研究に倣いLSTMと組み合わせれば精度は上がります。ただそれはLSTMのおかげであってGraph Convolutionの効果とは言い難いです。そのため、Graph Convolution単体でテキスト分類の精度を上げることに挑戦します。 本記事で改善したポイントは以下2点となります。 ノードの特徴を維持するようにするグラフの構築とモデルへの入力とで、前処理を分ける改善した結果、以下のような結果となりました。Graph Convolution単体でもそこそこの成果が得られ、またLSTMでブーストができることを確認できました。