基于层次化图神经网络的文档分类研究综述.docVIP

基于层次化图神经网络的文档分类研究综述

1文档分类任务的演化与层次化建模需求

文档分类是自然语言处理领域的经典基础任务，其核心目标是根据文本内容自动为文档分配预定义的类别标签，广泛应用于信息检索、舆情分析、新闻推荐、内容审核等工业场景。早期的文档分类方法主要依赖人工特征工程与传统机器学习模型，例如通过TF-IDF提取文本统计特征，结合支持向量机（SVM）、朴素贝叶斯等分类器实现类别判断。这类方法虽然在小规模数据集上表现稳定，但无法有效捕捉文本的语义信息与长距离依赖关系，面对复杂语义场景时性能瓶颈明显。

随着深度学习技术的发展，基于序列建模的方法逐渐成为文档分类的主流。卷积神经网络（CNN）通过局部卷积窗口捕捉文本的n-gram特征，能够高效提取局部语义模式；循环神经网络（RNN）及其变体LSTM、GRU则通过门控机制建模文本的时序依赖关系，更好地保留上下文信息。随后预训练语言模型（如BERT、RoBERTa）的出现进一步推动了文档分类性能的跃升，这类模型通过大规模无标注语料预训练获得了通用的语义表示能力，能够捕捉更丰富的上下文语义关联。然而，传统序列建模方法普遍将文档视为线性的词序列，忽略了文本天然存在的层次化结构——文档由多个段落组成，段落由多个句子组成，句子又由多个词语组成，不同层级的语义单元之间存在复杂的交互关系，简单的线性序列建模难以充分利用这种结构性信息。

文本的层次化