Orders Are Unwanted: Dynamic Deep Graph Convolutional Network for Personality Detection

要約

タイトル：Orders Are Unwanted：Dynamic Deep Graph Convolutional Network for Personality Detection

要約：

– オンライン投稿から特定の個人の性格を予測することは、ソーシャルネットワーク分析など多くの分野で重要なタスクとして浮上しています。
– このタスクの課題の1つは、個々のユーザーの全体的なプロファイルに各投稿からの情報を集めることです。
– 以前の多くの解決策では、投稿を長いドキュメントに連結し、ドキュメントを順序または階層モデルでエンコードするだけで、投稿の順序を誤って導入してしまい、モデルの指示先となることがあります。
– この論文では、これらの制限を克服するために、ダイナミックなディープグラフ畳み込みネットワーク（D-DGCN）を提案しています。
– 具体的には、確定的な構造ではなくダイナミックなマルチホップ構造を採用するlearn-to-connectアプローチを設計し、DGCNモジュールと組み合わせて投稿の間の接続を自動的に学習します。
– 投稿エンコーダー、learn-to-connect、DGCNのモジュールは、エンドツーエンドで共同でトレーニングされます。
– KaggleとPandoraのデータセットでの実験結果は、D-DGCNのstate-of-the-artベースラインに対する優れたパフォーマンスを示しています。
– 弊社のコードは、https://github.com/djz233/D-DGCNで入手可能です。

要約(オリジナル)

Predicting personality traits based on online posts has emerged as an important task in many fields such as social network analysis. One of the challenges of this task is assembling information from various posts into an overall profile for each user. While many previous solutions simply concatenate the posts into a long document and then encode the document by sequential or hierarchical models, they introduce unwarranted orders for the posts, which may mislead the models. In this paper, we propose a dynamic deep graph convolutional network (D-DGCN) to overcome the above limitation. Specifically, we design a learn-to-connect approach that adopts a dynamic multi-hop structure instead of a deterministic structure, and combine it with a DGCN module to automatically learn the connections between posts. The modules of post encoder, learn-to-connect, and DGCN are jointly trained in an end-to-end manner. Experimental results on the Kaggle and Pandora datasets show the superior performance of D-DGCN to state-of-the-art baselines. Our code is available at https://github.com/djz233/D-DGCN.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI