6165cc金沙总站检测中心院讯（通讯员：包新月）近日，人工智能领域国际旗舰级学术会议International conference on Knowledge Science, Engineering and Management（KSEM）接收我院学术论文（Xinyue Bao, Zili Zhou, Shiliang Gao , Zhaoan Dong and Yuanyuan Lin. MDGAT: Multi-Display Graph Attention Network for Text Classification, 2023）。该论文以6165cc金沙总站检测中心为第一完成单位，2021级研究生包新月为论文第一作者，周子力副教授为论文通讯作者。KSEM是中国计算机学会（CCF）推荐的C类国际学术会议。

文本分类任务的重点主要在于文本特征提取部分，因此文本信息的充分提取是文本分类任务的关键步骤。然而，目前在文本分类上信息并没有得到充分利用。因此，充分地文本信息表示和学习是一个是一个极其重要的话题。在研究中，提出了一种新的基于多显示图注意力网络（MDGAT）模型，拟解决文本信息捕获不充分以及单词之间高阶交互等问题。MDGAT包括三个主要组件多显示图的构建、图级表示学习、归纳文本分类。首先，构建了多种显示图，从语法、语义、句法、主题等多个角度充分提取文本中的信息。其次，为有效地聚合图结构信息，提出多步聚合方法分别针对节点内部的重要程度、节点之间的相关度进行信息聚合。同时使用门控循环单元聚合上下文信息，有效地实现图结构到序列结构的转换，维护文本的顺序结构。此外，针对于各种基准数据集，大量的实验结果证明了本方法的优越性能。本次研究在5个基准数据上与其他模型进行对比实验，结果表明MDGAT模型在文本分类任务上的卓越性能。