袁自勇，高 曙，曹 姣，陈良臣，3

（1.武汉理工大学 计算机科学与技术学院，武汉 430063；2.益阳医学高等专科学校 图书馆网络信息中心，湖南 益阳 413046；3.中国劳动关系学院 应用技术学院，北京 100048）

0 概述

随着社交网络规模不断扩大，每天以帖子或评论的形式产生数以百万计的短文本［1］，如何有效地分类和管理短文本数据是一个亟待解决的问题。尽管许多机器学习方法在自然语言处理中取得了较优的效果，但在直接应用于短文本分类时性能提升存在瓶颈，原因在于短文本存在稀疏性、不规则性等特点［2］，模型无法提取丰富的语义特征。此外，许多神经网络模型在训练时依赖大量标记样本，但在现实中，标记成本昂贵，有些标记需要专业知识，导致获得大量标记数据十分困难。因此，研究面向小样本的短文本分类方法具有重要的理论价值与现实意义。

目前，小样本短文本分类方法主要面临短文本缺乏足够的单词量和上下文信息、较少的标记数据只能提供有限的特征信息等挑战。如何充分利用少量标记样本和其他大量未标记样本是小样本短文本分类中的关键问题［3］。

本文构建一种基于异构图卷积网络（Heterogeneous Graph Convolutional Network，HGCN）的小样本短文本分类模型。针对短文本特点构造短文本异构信息网络STHIN 实现多维语义增强，避免短文本语义稀疏，并构造异构图卷积网络HGCN-RN 提取STHIN 中的节点及邻居特征，利用少量标记样本和其他未标记样本中的特征信息实现小样本短文本分类。……