[論文レビュー] Fine-grained Event Categorization with Heterogeneous Graph Convolutional Networks

Hao Peng, Jianxin Li+5 more|arXiv (Cornell University)|Jun 9, 2019

Complex Network Analysis Techniques参考文献 34被引用数 12

ひとこと要約

本稿では、ソーシャルメディアのテキストと外部の知識ベースから構築された異種情報ネットワーク（HIN）を用いて、細分化されたソーシャルイベントの分類に向け、新しいペアワイズパピュラリティグラフ畳み込みネットワーク（PP-GCN）を提案する。知識に基づいたメタパスインスタンスに依存する社会的イベント類似度（KIES）測定法とパピュラリティベースの分類器を導入することで、2つの実世界のデータセットにおいてベースライン比でNMIが6%〜24%向上し、イベント検出精度においてSE-GCN比で10%〜14%の向上を達成した。

ABSTRACT

Events are happening in real-world and real-time, which can be planned and organized occasions involving multiple people and objects. Social media platforms publish a lot of text messages containing public events with comprehensive topics. However, mining social events is challenging due to the heterogeneous event elements in texts and explicit and implicit social network structures. In this paper, we design an event meta-schema to characterize the semantic relatedness of social events and build an event-based heterogeneous information network (HIN) integrating information from external knowledge base, and propose a novel Pair-wise Popularity Graph Convolutional Network (PP-GCN) based fine-grained social event categorization model. We propose a Knowledgeable meta-paths Instances based social Event Similarity (KIES) between events and build a weighted adjacent matrix as input to the PP-GCN model. Comprehensive experiments on real data collections are conducted to compare various social event detection and clustering tasks. Experimental results demonstrate that our proposed framework outperforms other alternative social event categorization techniques.

研究の動機と目的

• ソーシャルメディアにおけるカテゴリサイズの大きさとクラスサンプルの希少性による、細分化されたソーシャルイベント分類の課題に対処すること。
• 人々、場所、時間、エンティティといった異種のイベント要素に加え、明示的および暗黙的なソーシャルネットワーク構造をモデル化すること。
• 外部の知識ベースを統合し、解釈可能なメタパス重みを学習することで、イベント検出およびクラスタリングを向上させること。
• 低リソースのイベントカテゴリにおける過学習を防ぐ安定的で汎用性の高い表現学習フレームワークを構築すること。
• 知識強化類似度測定法（KIES）を用いた半教師ありクラスタリングを可能にし、データセット間で一般化すること。

提案手法

• エンティティ、関係、外部知識ベースのリンク（例：'located-in'、'attribute-of'）を統合したイベントベースの異種情報ネットワーク（HIN）を構築する。
• 意味的および構造的関係を用いて、HIN用の重み付き隣接行列を計算するための、知識に基づいたメタパスインスタンスに依存する社会的イベント類似度（KIES）測定法を設計する。
• ペアワイズパピュラリティに基づく分類器を介して、メタパス重みと判別的なイベントインスタンス表現を同時に学習するペアワイズパピュラリティグラフ畳み込みネットワーク（PP-GCN）を提案する。
• 標準的な回帰ヘッドの代わりに、ペアワイズイベントインスタンス特徴に基づく絶対値比分類器を採用することで、安定性と一般化性能を向上させる。
• 学習済みのメタパス重みとKIES類似度を用いて、k-meansを用いた半教師ありクラスタリングを実施し、データセット間での転移学習を実現する。
• ラベル付きデータを用いた監視のもとで、イベント検出と類似度学習の両方を最適化する損失関数を用いて、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 知識強化された異種グラフ畳み込みネットワークは、従来のテキストベースや同種グラフ手法を上回って、細分化されたソーシャルイベント分類を改善できるか？
• RQ2 提案されたKIES類似度測定法は、ソーシャルイベント間の意味的および構造的関係をどれほど的確に捉えられるか？
• RQ3 PP-GCNに組み込まれたペアワイズパピュラリティベースの分類器は、角度ベースや距離ベースの分類器に比べ、安定性と一般化性能で優れているか？
• RQ4 あるデータセット（例：Tencent）で学習したメタパス重みが、別のデータセット（例：Weibo）でのクラスタリングをどれほど向上させられるか？
• RQ5 提案されたフレームワークは、訓練サンプルが希少な低リソースの細分化されたイベントカテゴリにおける過学習をどれほど緩和できるか？

主な発見

• PP-GCNモデルは、イベント検出タスクにおいてSE-GCN比で10%〜14%高い精度を達成し、回帰ヘッドをパピュラリティベースの分類器に置き換えた際には3%〜5%の向上を示した。
• KIES類似度測定法はWMD、mSDA、CCGを上回り、TencentおよびWeiboデータセットにおける半教師ありイベントクラスタリングでNMIが6%〜24%高い結果を達成した。
• TencentからWeiboへのメタパス重みを用いた転移学習は、クラスタリングのNMIを2%以上向上させたが、逆方向の転移は効果がなく、データ品質とラベルの豊富さがメタパス学習に影響することを示した。
• PP-GCNに組み込まれたパピュラリティベースの分類器は、7,000エポックにわたり安定的に増加する精度を示したのに対し、角度ベースのPA-GCNは周期的な変動を示し、一般化性能の向上と過学習の低減が図られた。
• 学習可能なメタパス重みにより、モデルの解釈性が向上し、イベント関連の関係（例：'located-in'、'attribute-of'）の相対的重要性を反映した。
• 包括的なアブレーションにより、KIES類似度とパピュラリティベースの分類器の両方が、モデルの優れた性能を支える上で不可欠であり、それぞれが最終的な結果に顕著な寄与をしていることが示された。