开源实现(PyTorch) (基于Github上，TextGCN的PyTorch实现版本，额外添加了一些详细的注释；官方实现基于TF)
本篇博客是对论文《Graph Convolutional Networks for Text Classification》的阅读笔记。
目录
1. 简介
文本分类是自然语言处理中一个常见的基础问题。我们常用的文本表示方法有CNN，RNN/LSTM等等。这些模型会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局（这个数据集/语料库）的词共现，全局词共现中携带了不连续以及长距离的语义信息。
这篇文章提出了一个新颖的基于图神经网络的方法来做文本分类，使用整个数据集/语料库来构建一个大的异构图(图中包含两类节点，一类是文档节点(待分类文本)，另一类是单词节点(数据集/语料库中的所有单词(去重)))，并且使用图卷积网络联合学习单词和文档的嵌入。
实验阶段，本文提出的模型在几个bench mark数据集上取得了state-of-the-art的结果，并且没有使用任何预训练词嵌入和外部知识。对于标注数据量较少的情形，相比与其他一些深度学习模型(基于CNN、LSTM等)，TextGCN具有较强鲁棒性，当标注数据大量较少时，其性能仍然突出，下降不大。（具体实验配置和细节可以查看原文和开源实现）
该方法还可以自动学习具有预测性的词嵌入和文档嵌入，训练好TextGCN模型后，取其隐层或输出层的输出，即对每个节点(文档和单词)学习的特征表示向量，进行降维并可视化，会发现同类的文档和词会聚集在一起。（具体实验配置和细节可以查看原文和开源实现）
2. 方法
- 图卷积网络(GCN)
本文使用的图卷积公式如下所示：
其中：
1）图,V是节点集合，节点数量为 n = |V|,E是边集。
2）A是图的邻接矩阵(n*n),如果定点有边相连,那么
（无权图）；
所连边上的权重（有权图）。
3）需要引入自连接，可以看作每一个顶点都与自身相连，这样在图卷积操作更新自身节点的特征时，可以用到之前自身的特征。此时，A = A+I。
4）计算图的度矩阵D， 即度矩阵的对角线元素值为邻接矩阵对应行的和。
5）计算归一化/正则化的邻接矩阵： .可以消除邻居比较多的节点影响会比较大的问题。
6）,X中的每一行是每个节点的初始特征向量，m为特征向量维度。
7）代表激活函数，
为第j个图卷积层的权重矩阵。
更多图神经网络的知识可以查看我的图神经网络专栏。
- TextGCN
本文基于整个数据集/语料库来构建一个异构图，将数据集中的待分类文档和数据集中的单词(去重)作为节点,如下图所示：
图中节点的数量是数据集/语料库中的单词数量+文档数量，O开头的是文档节点，其他的是词节点。图中黑线的线代表文档-词之间的边，灰色的表示词-词之间的边。R(x)表示x的embedding表示（包括文档和单词的embedding表示）。节点的不同颜色代表文档的不同类型/类别。
TextGCN输入的初始图特征矩阵X是n*n维的，其中n为图中的节点数 = 单词数量+文档数量，每个节点(文档和单词)初始都用one-hot形式编码，所以X是一个单位矩阵。
当某个单词出现在某个文档中时，二者之间会有一条边相连，边上的权重为单词的TF-IDF值，TF=该词在该文档中的出现次数，IDF为总的文档数比上包含该词的文档数再取log。
词-词之间的边基于全局词共现信息。全局词共现信息使用一个固定大小的滑动窗口在整个数据集/语料库中滑动（每次右移一个词的位置）统计词共现信息，然后使用点互信息（PMI）计算两个词节点连线的权重。具体如下：
其中，#W表示滑动窗口的总数量，#W(i)表示包含单词i的滑动窗口数量，#W(i,j)表示同时包含单词i和单词j（可以不相邻）的滑动窗口的数量。统计完后，带入上式计算PMI，PMI为正表示词与词之间的语义相关性较高，为负表示两个词之间的语义联系较小或者不存在，所以我们只给PMI为正的两个词节点连边，边上的权重为两个词的PMI值。
该异构图的邻接矩阵定义如下（i=j的情况，对应自连接）：
本文使用一个简单的二层图卷积网络，结构如下：
第一层使用ReLU作为激活函数，第二层使用softmax函数作分类。损失函数为交叉熵：
TextGCN训练和一般的图神经网络训练类似，采用full-batch的训练方式，即一个epoch更新一次参数。把整个数据集/图(包含文档节点和单词节点)进行前向传播(X n*n)，通过mask取出划分的训练集对应部分的输出，和训练集对应的标签计算loss和梯度，对模型参数进行更新；验证或测试时，也是把整个数据集进行前向传播，通过mask取出划分的验证集或测试集对应部分的输出，和真实标签计算相应的指标。
训练结束后，会得到每个文档节点和单词节点的嵌入表示。对于最后一层产生的文档节点的嵌入表示(num_classes维，表示该文档在每一个类别上的置信度)，按行取argmax得到预测的标签。
3. 结论分析
Text GCN可以捕获文档和词的关系以及全局词共现信息，文档节点的标签信息可以通过他们的邻居节点传递，传递给其他的单词和文档。在情感分类任务上（MR语料）上Text GCN没有表现出优于其他基准模型的结果，主要是因为GCN忽略了词序信息且MR预料中的数据都非常短，这在情感分类当中时非常有用的。
实验还证明了参数的敏感性。在Text GCN中，窗口大小和第一层GCN输出的向量维度大小（隐层维度）的选择都对结果有影响，较小的窗口不能得到有效地全局词共现信息，太大的窗口会使得本来关系并不密切的两个节点（单词）之间产生连边。
在本文的实验中，Text GCN可以有很好的文本分类结果，但是不能快速生成embedding，也不能为新的文本作分类（当出现新文本时，需要在图中添加新的文档节点和单词节点，并更新边的权重和图结构，然后再基于新的异构图，重新训练上述过程，才能为新文本分类，为新节点生成embedding）。
在未来的工作中可以引入归纳机制，注意力机制，发展无监督的text GCN框架。
